我的神经网络有一个自定义图层，它采用输入向量x，生成正态分布的张量A并返回A（在后续图层中使用）和产品{ {1}}。假设我想在自定义层的输出处重用存储在Ax中的值，在第二个不同的层中，在确定哪个Keras后端函数时需要考虑任何微妙的方面（A或K.backend.random_normal）我应该使用以生成K.backend.random_normal_variable？
a）后端函数A返回一个张量，在每次调用后存储一个不同的值（参见下面的代码片段）。对我而言，这表明random_normal充当正态分布值的生成器。这是否意味着如果他们想要在调用后保持其值，则不应使用random_normal来生成正态分布的张量？
b）后端功能random_normal看起来更安全（请参阅下面的代码段），因为它可以跨越调用保留值。
我的概念理解是否正确？还是我错过了一些基本的东西？ 我使用的是Keras 2.1.2和Tensorflow 1.4.0。
尝试使用random_normal_variable（调用值更改）：
random_normal使用In [5]: A = K.random_normal(shape = (2,2), mean=0.0, stddev=0.5)
In [6]: K.get_value(A)
Out[6]: array([[ 0.4459489 , -0.82019573],
[-0.39853573, -0.33919844]], dtype=float32)
In [7]: K.get_value(A)
Out[7]: array([[-0.37467018, 0.42445764],
[-0.573843 , -0.3468301 ]], dtype=float32)
进行试验（值在整个调用中保持不变）：
random_normal_variable答案 0 :(得分：1)
根据我的理解，这是因为random_normal_variable返回实例化Variable而random_normal返回Tensor。
K.random_normal(shape=(2,2), mean=0.0, stddev=0.5)
<tf.Tensor 'random_normal:0' shape=(2, 2) dtype=float32>
K.random_normal_variable(shape=(2,2), mean=0.0, scale=0.5)
<tf.Variable 'Variable:0' shape=(2, 2) dtype=float32_ref>
至于为什么Tensor而不是Variable的值有所不同，我认为这个thread的答案总结得很好：
Variable基本上是Tensor上的一个包装器，它在多个调用中维护状态以运行[...]
答案还提到需要对变量进行初始化以对其进行评估，这就是你注意到的情况（因为你没有初始化变量来评估它）。事实上，由于在tensorflow.random_normal_initializer函数中调用random_normal_variable，已经初始化了返回的变量。希望这能澄清您的代码为何会出现这种行为。