关于numpy.random.normal（）以及np.clip（）的学习笔记
首先回忆一下正态分布：
在numpy中对应于：
numpy.random.normal(loc=0.0, scale=1.0, size=None)
参数的意义：
loc:float
代表概率分布的均值，在正态分布图中表示中心的位置坐标
scale:float
代表概率分布的标准差，在正态分布图中表示图形的宽度。值越大，图像越矮胖，值越小，图像越高瘦。
size:int or tuple of ints
代表输出的shape，默认为None,只输出一个值
在我们熟悉的正态分布中，其等价于标准正太分布（μ=0, σ=1）。
接下来是关于np.clip()截取函数的理解：
np.numpy(a,a_min,a_max,out=None)
将数组a中的所有数限定在范围[a_min,a_max],其中小于a_min的数，将变为a_min,大于a_max的值，将变为a_max。
参数含义：
a:代表要截取的数组
a_min:代表截取的下限，可以为数组，代表对应位置元素的截取下限
a_max:代表截取的上限，可以为数组，代表对应位置元素的截取上限
out:可选项，表示将强制截取后的结果放到这个数组中，但out中数组的shape必须和a的shape相同。
这里请注意，进行强制截取后，a中数据并未发生变化，只是获得了一个临时的数组。若想讲a变为，截取后的结果，
可以将out设置为a,或者将结果赋值给a。
例子：
>>> a = np.arange(10)
>>> np.clip(a, 1, 8)
array([1, 1, 2, 3, 4, 5, 6, 7, 8, 8])
>>> a #a的值并未发生变化
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.clip(a, 3, 6, out=a) #将截取后的结果赋值给a
array([3, 3, 3, 3, 4, 5, 6, 6, 6, 6])
>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.clip(a, [3, 4, 1, 1, 1, 4, 4, 4, 4, 4], 8) #a_min也可以为数组，截取下限分别为数组元素，上限都为8
array([3, 4, 2, 3, 4, 5, 6, 7, 8, 8])