在采用随机梯度下降算法训练神经网络时，使用滑动平均模型可以提高最终模型在测试集数据上的表现。在Tensflow中提供了tf.train.ExponentialMovingAverage来实现滑动平均模型。在初始化ExponentialMovingAverage时，需要提供一个衰减率（decay)。这个衰减率将用于控制模型更新的速度。ExponentialMovingAverage对每一个变量会维护一个影子变量（shadowvariable),这个影子变量的初始值就是相应变量的初始值，而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) x variable
其中shadow_variable 为影子变量，variable为待更新的变量，decay为衰减率。decay决定了模型更新的速度，decay越大模型越趋于稳定。在实际应用中，decay一般会设成非常接近1的数（比如0.999或0.9999）。为了使得模型在训练前期可以更新得更快，ExponentialMovingAverage还提供了num_updates参数来动态设置decay的大小.
下面是ExponentailMovingAverage使用示例
# -*- coding:UTF- -*-
import tensorflow as tf
# 定义一个初始为0的变量来计算滑动平均 v1=tf.Variable(,dtype=tf.float32) #这里的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(,trainable=False) #定义一个滑动平均的类，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，这里给定一个列表，每次执行这个操作时，这个列表中的变量的值都会更新 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。在初始化之后变量v1的值和v1的滑动平均都为0 print sess.run([v1,ema.average(v1)])
# 更新变量v1的值到5
sess.run(tf.assign(v1,))
# 更新v1的滑动平均值，衰减率为min{0.99,(+step)/(+step)=0.1}=0.1
# 所以v1的滑动平均会被更新为0.*+0.9*=4.5 sess.run(maintain_averages_op)
print sess.run([v1,ema.average(v1)]) # 更新 step的值为10000
sess.run(tf.assign(step,))
# 更新 v1的值为10。
sess.run(tf.assign(v1,))
# 更新v1 的滑动平均值。衰减率为min(0.99,(+step)/(+step)≈0.999}=0.99
# 所以v1的滑动平均会被更新为0.*4.5+0.01*=4.555 sess.run(maintain_averages_op)
print sess.run([v1,ema.average(v1)]) #再次更新滑动平均值，得到的新滑动平均值为0.*4.555+0.01*=4.60945 sess.run(maintain_averages_op)
print sess.run([v1,ema.average(v1)])
结果如下
[0.0, 0.0]
[5.0, 4.5]
[10.0, 4.555]
[10.0, 4.60945]