了解TensorFlow中的RandomNormal()初始化器

RandomNormal()是TensorFlow中的一种初始化器（initializer），用于初始化神经网络中的权重（weights）或者偏置（biases）。该初始化器通过从指定的均值和标准差的正态分布中抽取随机数来初始化参数。

在TensorFlow中，可以使用tf.random.normal()函数来使用RandomNormal()初始化器。该函数的参数包括shape表示要初始化的张量的形状，mean表示正态分布的均值，stddev表示正态分布的标准差，dtype表示张量的数据类型等。

下面是一个使用RandomNormal()初始化器的例子：

import tensorflow as tf

# 定义一个2层的全连接神经网络结构
class NeuralNetwork:
    def __init__(self, input_size, output_size):
        self.weights = tf.Variable(tf.random.normal([input_size, output_size]))
        self.biases = tf.Variable(tf.random.normal([output_size]))

    def forward(self, inputs):
        logits = tf.matmul(inputs, self.weights) + self.biases
        return logits

# 创建一个神经网络对象
net = NeuralNetwork(784, 10)

# 使用随机生成的权重和偏置进行前向传播
inputs = tf.random.normal([32, 784])  # 随机生成32个大小为784的输入
logits = net.forward(inputs)

在这个例子中，我们定义了一个名为NeuralNetwork的类来表示一个简单的全连接神经网络。在初始化函数（__init__）中，我们使用RandomNormal()初始化器来随机生成权重和偏置，并将它们分别保存为self.weights和self.biases。

在forward方法中，我们使用tf.matmul()函数来进行矩阵乘法，将输入inputs与权重self.weights相乘，并将偏置self.biases加上。这样，我们得到了一个名为logits的张量，表示神经网络中每个类别的得分。

在后面的代码中，我们创建了一个NeuralNetwork对象net，并传入输入inputs进行前向传播计算。注意，由于我们在初始化时使用了随机生成的权重和偏置，所以每次运行这段代码时，得到的计算结果都会不同。这是因为RandomNormal()初始化器会随机生成不同的数值来初始化权重和偏置。

总结一下，RandomNormal()初始化器是TensorFlow的一个初始化模块，通过从给定的均值和标准差的正态分布中抽取随机数来初始化权重和偏置。在神经网络中，我们可以使用该初始化器来随机初始化模型参数，从而提高模型的学习能力和泛化能力。