滑动平均模型公式:
s
h
a
d
o
w
_
v
a
r
i
a
b
l
e
=
d
e
c
a
y
×
s
h
a
d
o
w
_
v
a
r
i
a
b
l
e
+
(
1
−
d
e
c
a
y
)
×
v
a
r
i
a
b
l
e
shadow\_variable=decay\times shadow\_variable+(1-decay)\times variable
shadow_variable=decay×shadow_variable+(1−decay)×variable
上式
s
h
a
d
o
w
_
v
a
r
i
a
b
l
e
shadow\_variable
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,
v
a
r
i
a
b
l
e
variable
variable是待更新的变量新值,显然,衰减率
d
e
c
a
y
decay
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。