Tensorflow笔记之滑动平均模型

     为了使模型在测试数据上更健壮的方法——————滑动平均模型。在采用随机梯度下降算法训练神经网络时，使用滑动平均模型在很多应用中都可以在一定程度上提高最终模型在测试训练数据上的表现。

      在Tensorflow中提供tf.train.ExponentialMovingVaerage来实现滑动平均模型。在初始化ExponentialMovingAverage时，需要提供一个衰减率，用于控制模型的更新速度。ExponentialMovingAverage对每一个变量会维护一个影子变量（shadow_variable），这个影子变量的初始值就是相应变量的初始值，每次运行变量更新时，影子变量的值会更新为：

                shadow_variable=decay x shadow_variable+(1-decay)xvariable

    从上式可以看出，decay决定了模型更新速度，越大模型越趋于稳定实际应用中一般设置为非常接近1的数。ExponentialMovingAverage还提供了num_updates参数来动态设置decay的大小，其更新原理如下

                

下面代码演示如何使用滑动平均：

import tensorflow as tf
#定义一个变量用于计算滑动平均，这个变量的初始值为0，这里手动指定了
#比那两类型为tf.float32，因为所有需要计算滑动平均的变量必须是实数型
v1=tf.Variable(0,dtype=tf.float32)
#这里step变量模拟神经网络中迭代的轮数，可以用于动态控制衰减率。
step=tf.Variable(0,trainable=False)
#定义一个滑动平均的类(class)。初始化时给定了衰减率（0.99）和控制衰减率的变量step。
ema=tf.train.ExponentialMovingAverage(0.99,step)
#定义一个更新变量滑动平均的操作这里需要给定一个列表，每次执行这个操作时
#这个列表中的变量都会被更新
maintain_averages_op=ema.apply([v1])
with tf.Session() as sess:
    #初始化所有变量
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    #通过ema.average(v1)获取滑动平均之后变量的取值。在初始化时候，变量v1的值和v1的滑动平均都是0
    print(sess.run([v1,ema.average(v1)]))
    sess.run(tf.assign(v1,5))
    sess.run(maintain_averages_op)
    print(sess.run([v1,ema.average(v1)]))
    sess.run(tf.assign(step,10000))
    sess.run(tf.assign(v1,10))
    sess.run(maintain_averages_op)
    print(sess.run([v1,ema.average(v1)]))
    sess.run(maintain_averages_op)
    print(sess.run([v1,ema.average(v1)]))