無論是書上還是論壇講的滑動平均模型都太官方，看了好久才看懂，其實很簡單的事，大家說起來確很費事。
首先，先不要分析這個名字的含義，我就是被這幾個字給騙了，其實他的作用就一個：控制衰減率！！！
那怎麼控制呢？
TensorFlow中給出了影子變數（shadow varible）的概念，我當初看到這更懵了，tf還給個公式：

shadow_varible = decay×shadow_variable+(1-decay)×varible

這玩意也好意思叫公式？？？
逗比的我看了好久才看懂，哈哈，合併同列項一看

求：shadow_varible = decay×shadow_variable+(1-decay)×varible
解：  (1-decay)×shadow_variable=(1-decay)×varible
答： shadow_variable = varible
 

看到這時是不是已經懷疑人生了？當然不能這麼合併，因為等號左面的shadow_varible和等號右面的不是一個，可以理解為：
y1= decay×shadow_variable+(1-decay)×varible ①
而y1的值充當下一個shadow_variable
y2= decay×y1+(1-decay)×varible ②

這裡面的decay是衰減率，取0.99或者0.9999，就是為了接近1，
這麼做的目的就是讓②等式y2≈y1，為什麼讓y2≈y1？因為讓他衰減慢一點，為什麼讓他衰減慢一點，這裡可以先理解decay是個閾值，後面會改動decay，這裡設定decay是給一個使最後衰減最慢的一個閾值，其實真正的衰減速度可能會快於他，但是不能慢於他。

看公式①，請問varible是幹什麼的？
shadow_varible叫影子變數，那肯定會問是誰的影子，就是varible的影子。varible是個人，厲害了！
這下知道了，用大白話說：
新影子變數=舊影子變數×衰減率+（1-衰減率）×人
開始程式碼編寫：
首先設定decay（衰減率），因為這個貌似是常量，
本想來個高大上的指數級衰減小學習率

decayed_learning_rate=learning_rate * decay ^（global_step/decay_steps）

但發現tf已經有控制學習率的方法了。
decay=min{decay，1+num_updates/10+num_updates）}
不過num_updates只能使等號左面的decay控制在等號右面的decay初始化的數值之內，也就是為了使衰減前期可以更新快一點，也就是我剛才說的等號右面的decay真正的意義就是最慢的那個閾值（往上翻）。
程式碼編寫decay：

step=tf.Variable(0,trainable=False)#不讓其做訓練
ema = tf.train。ExponentialMovingAverage（0.99，step）

其次編寫（人）varible

v1=tf.Variable（0，dtype=tf.float32）

影子變數

maintain_averages_op = ema.apply([v1])

更新v1滑動平均值

with tfSession() as sess:
    sess.run（maintain_averages_op）

這裡可以輸出看一下，改動v1看看結果就知道了

    print sess.run([v1, ema.apply([v1])])