Tensorflow入门——影子变量（shadow_variable）如何影响训练过程

滑动平均模型公式：
$$shadow\_variable=decay\times shadow\_variable+(1-decay)\times variable$$
上式$shadow\_variable$的初值是相应模型变量的初始值，用来保存更新过程中变量的滑动平均值，$variable$是待更新的变量新值，显然，衰减率$decay$越大，影子变量更新越慢。

今天看有些博客提到：模型变量和其影子变量不会直接相互赋值，博客评论也有“那么影子变量如何在实际训练中起作用”的疑问。
博主查阅了《Tensorflow实战Google深度学习框架（第2版）》，找了个使用滑动平均模型的代码好好分析了下，发现代码中有如下部分：

if avg_class = None:	# 如果不使用滑动平均模型
	layer1 = tf.nn.relu(tf.matual(input_tensor, weights1) + biases1)
	……
else:	# 如果使用滑动平均模型
	layer1 = tf.nn.relu(tf.matual(input_tensor, avg_class.average(weights1)) + biases1)	# avg_class.average(weights1)是weights1的滑动平均值
	……

我只截取了关键部分，可见，“模型变量和其影子变量不会直接相互赋值”的意思似乎是：影子变量仅用来保存变量的滑动平均值，如果不使用滑动平均模型，就取变量自身的值；如果想使用滑动平均模型，就取其影子变量的值（上述代码使用avg_class.average()来取某变量的滑动平均值，这个值应该是用影子变量来保存的）。

以上。如果大家认为我说的不对，欢迎指正。