tensorflow使用tf.train.ExponentialMovingAverage实现滑动平均模型，在使用随机梯度下降方法训练神经网络时候，使用这个模型可以增强模型的鲁棒性（robust），可以在一定程度上提高模型在测试数据集上的表现。
滑动平均模型为每个变量维护一个影子变量，其初始值是变量的初始值，每次变量更新时，影子变量的值会更新为：
shadow_variable = shadow_variable * decay + (1-decay) * variable
其中shadow_variable为影子变量，variable为初始变量，decay为衰减率。
decay决定了模型更新的速度，decay越大，模型跟新越慢，越稳定。实际工作中，decay一般设置为非常接近1的数（0.99或0.999之类），为了在训练初期加快更新速度，可以提供num_steps参数，提供这个参数后，decay的取值变为：
min(decay, (1+num_step)/(10+num_step))
num_step表示实际的训练步数。
如果提供了num_steps那么在num_step还比较小的时候，min()会取到右边比较小的部分，也就是有一个比较小的decay，这个时候模型更新会很快，当step增大时，模型更新速度会逐渐降低。
在应用滑动平均模型后，并不会改变变量的值，但是会维护一个影子变量来记录其滑动平均值，获取变量的滑动平均值实际上就是获取变量的影子变量的值，影子变量的值是当前值和更新后的值之间的一个值，相当与限制参数的更新速度，让更新比较缓慢，比较稳妥，但是在训练初期会导致更新比较慢，所以才有提供num_steps参数使之在训练初期更新比较快。