tf.train.ExponentialMovingAverage

class tf.train.ExponentialMovingAverage：

tf.train.ExponentialMovingAverage.__init__(decay, num_updates=None, name='ExponentialMovingAverage')

传入decay，num_updatas来创建一个滑动平均对象
decay会在训练一开始比较低（例如0.9），这样可以让训练初始阶段变化得快一点，随着训练step的增多，decay越接近1，趋于稳定。实际上decay的取值为：min(decay, (1 + num_updates) / (10 + num_updates))
方法1：

tf.train.ExponentialMovingAverage.apply(var_list=None)

传入一个包含变量名的列表，该方法为列表中的变量创建影子变量（Shadow variables ），影子变量会初始化为变量的初始值。影子变量通过设置参数trainable=False被创建并添加到GraphKeys.ALL_VARIABLES collection，他们可以通过调用tf.all_variables()被返回。
该方法返回一个操作节点，用来更新滑动平均里面的变量。
即实现下列算法：
shadow_variable = decay * shadow_variable + (1 - decay) * variable
方法2：

tf.train.ExponentialMovingAverage.average_name(var)

返回var该变量的影子变量的名字，测试的时候用
例如：

# Create a Saver that loads variables from their saved shadow values.
shadow_var0_name = ema.average_name(var0)
shadow_var1_name = ema.average_name(var1)
saver = tf.train.Saver({shadow_var0_name: var0, shadow_var1_name: var1})
saver.restore(...checkpoint filename...)
# var0 and var1 now hold the moving average values

方法3：

tf.train.ExponentialMovingAverage.average(var)

返回var对应的影子变量的值。