神经网络优化--滑动平均

滑动平均：记录了一段时间内模型中所有参数w和b各自的平均值。利用滑动平均值可以增强模型的泛化能力。
滑动平均值（影子）计算公式：
影子 = 衰减率 * 影子 + (1 - 衰减率) * 参数
其中，影子初值 = 参数初值

用Tensorflow函数表示为：
ema = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)
其中，MOVING_AVERAGE_DECAY表示滑动平均衰减率，一般会给接近1的值，global_step表示当前训练了多少轮。
ema_op = ema.apply(tf.trainable_variables())
其中，ema.apply()函数实现对括号内参数求滑动平均，tf.trainable_variables()函数实现把所有待训练参数汇总为列表。
with tf.control_dependencies([train_step,ema_op]):
train_op = tf.no_op(name = ‘train’)
其中，该函数实现将滑动平均和训练过程同步运行。
查看模型中参数的平均值，可以用ema.average()函数。
例如：
在神经网络模型中，将MOVING_AVERAGE_DECAY设置为0.99，参数w1设置为0，w1的滑动平均值设置为0.
1、开始时，轮数global_step设置为0，参数w1更新为1，则w1的滑动平均值为：

2、当轮数global_step设置为100时，参数w1更新为10，以下代码global_step保持为100，每次执行滑动平均操作影子值更新，则滑动平均值变为：

3、再次运行，参数w1更新为1.644，则滑动平均值变为：

4、再次运行，参数w1更新为2.328，则滑动平均值：
w1滑动平均值=2.956

代码如下：

#coding:utf-8
import tensorflow as tf
#1.定义变量及滑动平均类
#定义一个32位浮点变量，初始值为0.0，这个代码就是不断更新w1参数，滑动平均做了个w1的影子
w1 = tf.Variable(0,dtype = tf.float32)
#定义num_updates(NN的迭代轮数)，初始值为0，不可被优化（训练），这个参数不训练
global_step = tf.Variable(0,trainable=Flase)
#实例化滑动平均类，给衰减率为0.99，当前轮数global_step
MOVING_AVERAGE_DECAY = 0.99
ema = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)
#ema.apply后的括号里是更新列表，每次运行sess.run(ema_op)时，对更新列表中的元素求滑动平均值。
#在实际应用中会使用tf.trainable_variables()自动将所有待训练的参数汇总为列表
#ema_op = ema.apply([w1])
ema_op = ema.apply(tf.trainable_averables())

#2.查看不同迭代中变量取值的变化。
with tf.Session() as sess:
	#初始化
	init_op = tf.global_variables_initializer()
	sess.run(init_op)
	#用ema.average(w1)获取w1滑动平均值 （要运行多个节点，作为列表中的元素列出，卸载sess.run中）
	#打印出当前参数w1和w2滑动平均值
	print sess.run([w1,ema.average(w1)])
	
	#参数w1的值给1
	sess.run(tf.assign(w1,1))
	sess.run(ema_op)
	print sess.run([w1,ema.average(w1)])

	#更新step和w1的值，模拟出100轮迭代后，参数w1变为10
	sess.run(tf.assign(global_step,100))
	sess.run(tf.assign(w1,10))
	sess.run(ema_op)
	print sess.run([w1,ema.average(w1)])
	
	#每次sess.run会更新一次w1的滑动平均值
	sess.run(ema_op)
	print sess.run([w1,ema.average(w1)])

	sess.run(ema_op)
	print sess.run([w1,ema.average(w1)])

	sess.run(ema_op)
	print sess.run([w1,ema.average(w1)])
	
	sess.run(ema_op)
	print sess.run([w1,ema.average(w1)])
	
	sess.run(ema_op)
	print sess.run([w1,ema.average(w1)])
	
	sess.run(ema_op)
	print sess.run([w1,ema.average(w1)])

运行程序，结果如下：

从运行结果可知，最初参数w1和滑动平均值都是0；参数w1设定为1后，滑动平均值变为0.9；当迭代轮数更新为100轮时，参数w1更新为10后，滑动平均值变为1644。随后每执行一次，参数w1的滑动平均值都向参数w1靠近。可见，滑动平均追随参数的变化而变化。