吴恩达深度学习笔记(41)-深度解析指数加权平均数

理解指数加权平均数（Understanding exponentially weighted averages）
上个笔记中，我们讲到了指数加权平均数，这是几个优化算法中的关键一环，而这几个优化算法能帮助你训练神经网络。本笔记中，我希望进一步探讨算法的本质作用。

回忆一下这个计算指数加权平均数的关键方程。

v_t=βv_(t-1)+(1-β)θ_t

比如β=0.9的时候，得到的结果是红线，如果它更接近于1，

比如β=0.98，结果就是绿线，如果β小一点，如果是0.5，结果就是黄线。

我们进一步地分析，来理解如何计算出每日温度的平均值。

同样的公式，v_t=βv_(t-1)+(1-β)θ_t

使β=0.9，写下相应的几个公式，所以在执行的时候，t从0到1到2到3，t的值在不断增加，为了更好地分析，我写的时候使得t的值不断减小，然后继续往下写。

吴恩达深度学习笔记(41)-深度解析指数加权平均数
首先看第一个公式，理解v_100是什么？我们调换一下这两项（0.9v_99 0.1θ_100），v_100=0.1θ_100+0.9v_99。

那么v_99是什么？我们就代入这个公式（v_99=0.1θ_99+0.9v_98）