我正在研究https://github.com/AshishBora/csgm中的代码，并在使用np.random.normal而不是tf.random_normal初始化tf.Variable时遇到一些奇怪的行为。更具体：
代替
z = tf.Variable(tf.random_normal((batch_size, hparams.n_z)), name='z')
我有
# in mnist_vae/src/model_def.py, line 74
z = tf.Variable(np.random.normal(size=(batch_size,
hparams.n_z)).astype('float32'), name='z')
z是变量，它是通过Adam优化器针对目标进行优化的。
背景知识：有一个预训练的神经网络G，其输入z使用tf.random_normal从标准正态分布中提取。对于给定的z*，人们想求解ẑ= argmin_z ||AG(z)-AG(z*)||并检查重构错误||G(ẑ)-G(z*)||。即将到来的最小值c(z*)=||G(ẑ)-G(z*)||对于几个不同的z*来说，在值c1附近相当稳定。现在，我不确定优化（Adam优化器）是否会使用z来自标准正态分布的信息。因此，我用tf.random_normal代替了np.random_normal，希望优化程序那时不能使用这些信息。 （请参见上面的代码）
不幸的是，使用np.random.normal: c(z*)=||G(ẑ)-G(z*)||的结果确实是不同的，这是因为几个不同的z*围绕一个不同的值c2（不是c1）稳定。如何解释呢？优化程序是否确实在优化中使用了正态分布的信息（例如，作为对数似然）？我的感觉是不，因为这只是初始化。