1 滑動平均概述

滑動平均（也稱為 影子值 ）：記錄了每一個參數一段時間內過往值的平均，增加了模型的泛化性。

滑動平均通常針對所有參數進行優化：W 和 b，

簡單地理解，滑動平均像是給參數加了一個影子，參數變化，影子緩慢追隨。

滑動平均的表示公式為

影子 = 衰減率 * 影子 + ( 1 - 衰減率 ) * 參數

或

滑動平均值 = 衰減率 * 滑動平均值 + ( 1 - 衰減率 ）* 參數

備注

影子初值 = 參數初值

衰減率 = min{ MOVING_AVERAGE_DECAY, (1+輪數) / (10 + 輪數 ) }

示例：

MOVING_AVERAGE_DECAY 為 0.99, 參數 w1 為 0，輪數 global_step 為 0，w1的滑動平均值為 0 。

參數w1更新為 1 時，則

w1的滑動平均值 = min( 0.99, 1/10 ) * 0 + ( 1 - min( 0.99, 1/10 ) * 1 = 0.9

?假設輪數 global_step 為 100 時，參數 w1 更新為 10 時，則

w1滑動平均值 = min(0.99, 101/110) * 0.9 + ( 1 - min( 0.99, 101/110) * 10 = 1.644

再次運行

w1滑動平均值 = min(0.99, 101/110) * 1.644 + ( 1 - min( 0.99, 101/110) * 10 = 2.328

再次運行

w1滑動平均值 = 2.956

?

2 滑動平均在Tensorflow中的表示方式

第一步 實例化滑動平均類ema

ema = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY(滑動平均衰減率),global_step(輪數計數器，表示當前輪數) )

備注：

MOVING_AVERAGE_DECAY 滑動平均衰減率是超參數，一般設定的值比較大；

global_step - 輪數計數器，表示當前輪數，這個參數與其他計數器公用。

第二步 求算滑動平均節點ema_op

ema_op = ema.apply([])

ema.apply([ ]) 函數表示對 [ ] 中的所有數值求滑動平均。

示例：

ema_op = ema.apply(tf.trainable_variables())

每當運行此代碼時，會對所以待優化參數進行求滑動平均運算。

第三步 具體實現方式

在工程應用中，我們通常會將計算滑動平均 ema_op 和訓練過程 train_step 綁定在一起運行，使其合成一個訓練節點，實現的代碼如下

with tf.control_dependencies([ train_step, ema_op ]):train_op = tf.no_op(name = 'train')

?

另外：

查看某參數的滑動平均值

函數ema.average(參數名) --->? 返回 ’ 參數名 ’ 的滑動平均值，

3 示例代碼

# 待優化參數w1，不斷更新w1參數，求w1的滑動平均(影子)import tensorflow as tf# 1. 定義變量及滑動平均類# 定義一個32位浮點變量并賦初值為0.0， w1 = tf.Variable(0, dtype=tf.float32)# 輪數計數器，表示NN的迭代輪數，賦初始值為0，同時不可被優化（不參數訓練） global_step = tf.Variable(0, trainable=False)# 設定衰減率為0.99 MOVING_AVERAGE_DECAY = 0.99# 實例化滑動平均類 ema = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)# ema.apply()函數中的參數為待優化更新列表 # 每運行sess.run(ema_op)時，會對函數中的參數求算滑動平均值 # tf.trainable_variables()函數會自動將所有待訓練的參數匯總為待列表 # 因該段代碼中僅有w1一個參數，ema_op = ema.apply([w1])與下段代碼等價 ema_op = ema.apply(tf.trainable_variables())# 2. 查看不同迭代中變量取值的變化。 with tf.Session() as sess:# 初始化init_op = tf.global_variables_initializer()sess.run(init_op)# 用ema.average(w1)獲取w1滑動平均值 （要運行多個節點，作為列表中的元素列出，寫在sess.run中）# 打印出當前參數w1和w1滑動平均值print("current global_step:", sess.run(global_step))print("current w1", sess.run([w1, ema.average(w1)]))# 參數w1的值賦為1sess.run(tf.assign(w1, 1))sess.run(ema_op)print("current global_step:", sess.run(global_step))print("current w1", sess.run([w1, ema.average(w1)]))# 更新global_step和w1的值,模擬出輪數為100時，參數w1變為10, 以下代碼global_step保持為100，每次執行滑動平均操作，影子值會更新 sess.run(tf.assign(global_step, 100))sess.run(tf.assign(w1, 10))sess.run(ema_op)print("current global_step:", sess.run(global_step))print("current w1:", sess.run([w1, ema.average(w1)]))# 每次sess.run會更新一次w1的滑動平均值 sess.run(ema_op)print("current global_step:", sess.run(global_step))print("current w1:", sess.run([w1, ema.average(w1)]))sess.run(ema_op)print("current global_step:", sess.run(global_step))print("current w1:", sess.run([w1, ema.average(w1)]))sess.run(ema_op)print("current global_step:" , sess.run(global_step))print("current w1:", sess.run([w1, ema.average(w1)]))sess.run(ema_op)print("current global_step:" , sess.run(global_step))print("current w1:", sess.run([w1, ema.average(w1)]))

運行

current global_step: 0 current w1 [0.0, 0.0] current global_step: 0 current w1 [1.0, 0.9] current global_step: 100 current w1: [10.0, 1.6445453] current global_step: 100 current w1: [10.0, 2.3281732] current global_step: 100 current w1: [10.0, 2.955868] current global_step: 100 current w1: [10.0, 3.532206] current global_step: 100 current w1: [10.0, 4.061389]

?

w1 的滑動平均值都向參數 w1 靠近。可見，滑動平均追隨參數的變化而變化。

轉載于:https://www.cnblogs.com/gengyi/p/9901502.html

總結

以上是生活随笔為你收集整理的神经网络优化（二） - 滑动平均的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。