正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussian distribution）。
正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。
在TF中会大量使用到正态分布，熟练的使用它，也是使用TF的基本功之一。下面来看一下在Python中如何使用。
一维正态分布
正态分布公式.PNG
用numpy来获取一个标准正态分布的样例
num = 100000mu = 0sigma = 1s = np.random.normal(mu, sigma, num)
一维正太分布如上面定义所说，正如一个“钟形”
标准正太分布.png
或者如下两者
s = sigma * np.random.randn(num) + mu
和
s = sigma * np.random.standard_normal(num) + mu
效果都如之前的图片
mu控制函数中心位置左右移动，如下mu=6的场景
mu=6.png
sigma=10的场景
sigma=10.png
可见，mu为正数，函数曲线向右移动，反之，向左移动；sigma越大，分布越宽；sigma越小分布越窄。
记住这个特性，在获取一维正太分布数据时很有帮助。
二维正太分布
二维正太分布的公式如下，
二维正态分布公式.PNG
二维正太分布使用不一样的numpy函数，multivariate_normal
num = 40000mean = np.array([0,0]) cov = np.eye(2) ms = np.random.multivariate_normal(mean, cov, num)
二维标准正太分布如下，不在是一个“钟”，而像一个“圆”
二维标准正太分布.png
这里的参数也有变化。
mean表示二维数组每一维的均值；是一个（1，2）矩阵。
cov表示二维数组的协方差；是一个（2，2）矩阵。
可以看出来mean是圆的圆点，那么是不是改变了mean，圆就会发生移动呢？ 我们试一下。
num = 40000mean = np.array([4,8]) cov = np.eye(2) ms = np.random.multivariate_normal(mean, cov, num)
圆心在(4,8).png
那么cov协方差代表的意义也通过实验来看一下，
num = 40000mean = np.array([0,0]) cov = np.array([[5,0],[0,1]]) ms = np.random.multivariate_normal(mean, cov, num)
[[5,0],[0,1]]
作者：安安爸Chris
链接：https://www.jianshu.com/p/0963abb476ef
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/2480/viewspace-2817204/ ，如需转载，请注明出处，否则将追究法律责任。
