import tensorflow as tf
import matplotlib.pyplot as plt

# 设置随机种子以获得可重复的结果
tf.random.set_seed(42)

# 生成正态分布的数据
# mean=0 和 stddev=1 表示生成标准正态分布的数据
# shape=(1000,) 表示生成1000个数据点
data = tf.random.normal(mean=0, stddev=1, shape=(1000,))

# 将Tensor转换为NumPy数组，以便Matplotlib可以处理
data_np = data.numpy()

# 绘制直方图
plt.figure(figsize=(8, 6))  # 设置图形的大小
plt.hist(data_np, bins=30, density=True, alpha=0.6, color='g')  # bins=30 表示分成30个柱状区域
plt.title("Normal Distribution")  # 设置标题
plt.xlabel("Value")  # 设置x轴标签
plt.ylabel("Density")  # 设置y轴标签
plt.grid(True)  # 显示网格

# 显示图形
plt.show()

import tensorflow as tf
import matplotlib.pyplot as plt

# 设置随机种子以获得可重复的结果
tf.random.set_seed(42)

# 生成正态分布的数据
# mean=0 和 stddev=1 表示生成标准正态分布的数据
# shape=(1000,) 表示生成1000个数据点
data = tf.random.normal(mean=0.5, stddev=0.5, shape=(1000,))
# data = tf.random.truncated_normal(mean=5, stddev=1, shape=(1000,), lower=-2, upper=2)
# data = tf.random.truncated_normal(mean=0.5, stddev=0.15, shape=(1000,), minval=0, maxval=1)

# # 使用 Sigmoid 函数进行变换
# data = tf.sigmoid(data)
# 手动截断超出0和1的值
# data = tf.clip_by_value(data, clip_value_min=0, clip_value_max=1)
# 将Tensor转换为NumPy数组，以便Matplotlib可以处理
data_np = data.numpy()

# 绘制直方图
plt.figure(figsize=(8, 6))  # 设置图形的大小
plt.hist(data_np, bins=30, density=True, alpha=0.6, color='g')  # bins=30 表示分成30个柱状区域
plt.title("Normal Distribution")  # 设置标题
plt.xlabel("Value")  # 设置x轴标签
plt.ylabel("Density")  # 设置y轴标签
plt.grid(True)  # 显示网格

# 显示图形
plt.show()