tensorflow中有一种让模型在测试数据更健壮的方法———滑动平均模型。
形象地来说，就是数据每一次训练出得到的模型都受到之前模型的影响，同时也影响着后面训练出的模型，并且这个影响的大小随着训练次数的增多而减小，并且可以通过decay系数来进行调节。就是这样子让模型的的训练更加稳定的。有这句话的理解，下面的都可以不看。
滑动平均模型的定义是：滑动平均(exponential moving average)，或者叫做指数加权平均(exponentially weighted moving average)，可以用来估计变量的局部均值，使得变量的更新与一段时间内的历史取值有关。
滑动平均值不会改变变量本身的取值，而是会维护一个影子变量来记录滑动平均值，当需要使用这个滑动平均值时，需要明确地调用它。可以看作是变量的过去一段时间取值的均值，相比对变量直接赋值而言，滑动平均得到的值在图像上更加平缓光滑，抖动性更小，不会因为某次的异常取值而使得滑动平均值波动很大。就如同下图中，蓝线与橙线的差别。
References：
理解滑动平均(exponential moving average)：https://www.cnblogs.com/wuliytTaotao/p/9479958.html
《TensorFlow实战Google深度学习框架》