无论是书上还是论坛讲的滑动平均模型都太官方，看了好久才看懂，其实很简单的事，大家说起来确很费事。
首先，先不要分析这个名字的含义，我就是被这几个字给骗了，其实他的作用就一个：控制衰减率！！！
那怎么控制呢？
TensorFlow中给出了影子变量（shadow varible）的概念，我当初看到这更懵了，tf还给个公式：
shadow_varible = decay×shadow_variable+(1-decay)×varible
这玩意也好意思叫公式？？？
逗比的我看了好久才看懂，哈哈，合并同列项一看
求：shadow_varible = decay×shadow_variable+(1-decay)×varible
解： (1-decay)×shadow_variable=(1-decay)×varible
答： shadow_variable = varible
看到这时是不是已经怀疑人生了？当然不能这么合并，因为等号左面的shadow_varible和等号右面的不是一个，可以理解为：
y1= decay×shadow_variable+(1-decay)×varible ①
而y1的值充当下一个shadow_variable
y2= decay×y1+(1-decay)×varible ②
这里面的decay是衰减率，取0.99或者0.9999，就是为了接近1，
这么做的目的就是让②等式y2≈y1，为什么让y2≈y1？因为让他衰减慢一点，为什么让他衰减慢一点，这里可以先理解decay是个阈值，后面会改动decay，这里设置decay是给一个使最后衰减最慢的一个阈值，其实真正的衰减速度可能会快于他，但是不能慢于他。
看公式①，请问varible是干什么的？
shadow_varible叫影子变量，那肯定会问是谁的影子，就是varible的影子。varible是个人，厉害了！
这下知道了，用大白话说：
新影子变量=旧影子变量×衰减率+（1-衰减率）×人
开始代码编写：
首先设置decay（衰减率），因为这个貌似是常量，
本想来个高大上的指数级衰减小学习率
decayed_learning_rate=learning_rate * decay ^（global_step/decay_steps）
但发现tf已经有控制学习率的方法了。
decay=min{decay，1+num_updates/10+num_updates）}
不过num_updates只能使等号左面的decay控制在等号右面的decay初始化的数值之内，也就是为了使衰减前期可以更新快一点，也就是我刚才说的等号右面的decay真正的意义就是最慢的那个阈值（往上翻）。
代码编写decay：
step=tf.Variable(0,trainable=False)#不让其做训练
ema = tf.train。ExponentialMovingAverage（0.99，step）
其次编写（人）varible
v1=tf.Variable（0，dtype=tf.float32）
影子变量
maintain_averages_op = ema.apply([v1])
更新v1滑动平均值
with tfSession() as sess:
sess.run（maintain_averages_op）
这里可以输出看一下，改动v1看看结果就知道了
print sess.run([v1, ema.apply([v1])])