ニューラルネットワークモデルでは、0.99 MOVING_AVERAGE_DECAYは、パラメータW1が0に設定され、平均値W1を移動提供
0に設定されています。
開始①、global_step車輪の数が0に設定され、パラメータが1 W1に更新され、平均実行W1である：
W1移動平均=分（0.99,1 / 10）* 0 +（1-分（0.99,1 / 。10）* = 0.9 1
車輪100が数global_step、W1パラメータ更新10に設定されている場合②は、移動平均は次のようになる。
平均=分（0.99,101 / 110）*実行W1 （0.9 +（1-分0.99,101 / 110）* 10 = 0.826 + 0.818 = 1.644
③ラン再び、1.644にパラメータW1を更新する、移動平均になる：
平均=分（0.99,101 / 110）を実行W1 * 1.644 +（1- 分（0.99,101 / 110）* 10 = 2.328
④ラン再び、2.328へW1パラメータを更新、移動平均：
W1 = 2.956平均摺動
コードは以下の通りであります：
＃1 コーディング：UTF 8 インポートAS tensorflowのTF ＃1変数定義されたクラスと移動平均 ＃は32ビット浮動小数点変数を定義し、0.0このコードの初期値を移動平均したW1パラメータW1、W1最適化パラメータを、更新されシャドウ W1 tf.Variable =（0、DTYPE = tf.float32） ＃ （反復のNN番号）NUM_UPDATESを定義し、初期値は0であり、（訓練された）最適化されず、このパラメータが訓練されていない global_step = tf.Variable（0 、訓練可能= 偽） ＃インスタンス化クラスの移動平均、150減衰率、global_stepラウンドの現在の数 MOVING_AVERAGE_DECAY = 150 EMA = tf.train.ExponentialMovingAverage（MOVING_AVERAGE_DECAY、global_step） ＃平均移動 ＃の更新後にブラケットがema.applyでありますリスト、あなたがsess.run（ema_op）を実行するたびに、移動平均は、要素のリストを更新しようとしています。 ＃は、すべてのパラメータが要約リストとして訓練されるように自動的に）（実用的なアプリケーションのtf.trainable_variablesに使用されます ＃= ema.apply ema_op（[W1]） ＃関数のパラメータが既に辞書やタプル、間接呼び出し関数に存在する場合適用（FUNC [、引数[、kwargsから]]）関数が使用されます。 = ema_op ema.apply（tf.trainable_variables（）） ＃2を表示異なる反復変数の値を変更します。 （）セッション数ASとtf.Session： ＃初期 tf.global_variables_initializer init_op =（） ＃は、初期化 （init_op）sess.runを＃は、初期化計算 ＃として、（複数のノードとema.averageを実行する（W1）の平均値W1を移動取得をリストに記載されている要素は、中sess.run）に書き込み ＃1 印刷現在のパラメータW1及び移動平均W1 プリント 「現在global_step：」、sess.run（global_step）＃1 印刷global_stepの 印刷を 「現在W1 」、Sess.runは（[w1が、ema.average（W1）]） ＃は、移動平均算出 ＃のパラメータがW1の値が割り当てられている1。 ＃tf.assign（A、NEW_NUMBER）：この機能は、主に値Aの関数となりますNEW_NUMBER sess.run（tf.assign（W1 ,. 1 ）） sess.run（ema_op） プリント " 現在global_step：" 、sess.run（global_step） プリント " 現在W1 " 、sess.run（[W1、ema.average（ W1）]） ＃更新global_step w1の値とは、10となるW1のパラメータは、次のコードはglobal_step 100は、移動平均動作は、シャドウ値が更新されるたびに保持され、ラウンド数は100であり、シミュレーション sess.run（TFを。 （global_step、100））を割り当てる ＃1 100にセットglobal_step sess.run（tf.assign（W1、10））＃1 セットW1は10 sess.run（ema_op） ＃ファイル名を指定して実行ema_op 印刷 " 現在global_step："、sess.run（global_step） ＃の印刷 印刷 " 現在W1："、sess.run（[W1、ema.average（W1）]） ＃の印刷 ＃各sess.runが更新されますW1平均摺動 sess.run（ema_op） プリント " ：現在global_step " 、sess.run（global_step） プリント " 現在W1：" 、sess.run（[W1、ema.average（W1）]） sess.runを（ ema_op） 印刷 " 現在global_step：" 、sess.run（global_step） 印刷 」現在W1："sess.run（[W1、ema.average（W1）]） sess.run（ema_op）プリント " 現在global_step："sess.run（global_step） プリント" 現在W1：" 、sess.run（[W1、 ema.average（W1）]） sess.run（ema_op）プリント" 現在global_step：" 、sess.run（global_step） プリント" 現在W1：" 、sess.run（[W1、ema.average（W1）]） のSES .RUN（ema_op）プリント" 現在global_step：" 、sess.run（global_step） プリント" 現在W1：" 、sess.run（[W1、ema.average（W1）]） sess.run（ema_op） プリント " 現在global_step：" 、sess.run（global_step） プリント " 現在W1："、sess.run（[W1、EMA .average（W1）]）
操作の結果から、初期パラメータW1及び移動平均が0であり; W1パラメータが1に設定され、移動平均値は0.9となる。
反復回数がパラメータW1 10を更新した後、100に更新されたときに、移動平均値は1.644となります。たびに、その後、パラメータ
移動平均は、パラメータW1 W1と近くにあります。可視、移動平均処理変動の変化に追従。