tensorflow随笔-滑动平均模型

随机梯度下降算法训练时，使用滑动平均模型 可以提高模型健壮性。
在Tensorflow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。控制模型更新速度，它对每个变量会维护一个影子变量，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：

tensorflow-滑动平均模型
shadow_variable为影子变量，variable为待更新变量。
decay为模型更新的速度，越大，模型越稳定，一般为0.999。
为了使模型在训练前期可更新得更快，ExponentialMovingAverage还提供了num_updates参数来动态设置decay的大小。
如果，在ExponentialMovingAverage初始化时，提供了num_updates参数，那么每次使用衰减率将是：

tensorflow-滑动平均模型

 #!/usr/bin/env python2
# -*- coding: utf-8 -*-
"""
Created on Fri Sep 28 10:00:44 2018

@author: myhaspl
@email:[email protected]
滑动平均模型
"""
from __future__ import division
import tensorflow as tf 
import numpy as np

def averageOp(shawv,v,decay,step):
    Nowdecay=min(decay,(1+step)/(10+step))#step即num_updates
    return shawv*Nowdecay+(1-Nowdecay)*v

w=tf.Variable([0.,0.],dtype=tf.float32)
step=tf.Variable(0,dtype=tf.int32,trainable=False)

ema=tf.train.ExponentialMovingAverage(0.99,step)
maintainAverageOp=ema.apply([w])#更新w的操作，更新的方式是滑动平均算法
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    v,shawv,vstep=sess.run([w,ema.average(w),step])
    print averageOp(shawv,v,0.99,vstep)
    sess.run(tf.assign(w,np.array([2.,6.])))
    v,shawv,vstep=sess.run([w,ema.average(w),step])
    print averageOp(shawv,v,0.99,vstep)
    sess.run(maintainAverageOp)
    print sess.run([w,ema.average(w)])#ema.average(w)表示获取

滑动平均值

[0. 0.]
[1.8       5.3999996]
[array([2., 6.], dtype=float32), array([1.8      , 5.3999996], dtype=float32)]