参考自：TensorFlow 实战Google深度学习框架 

import tensorflow as tf

#定义一个变量用于计算滑动平均，这个变量的初始值为0。
v1 = tf.Variable(0, dtype=tf.float32)
#此变量模拟神经网络中的迭代的轮数，可以用于动态控制衰减率
step = tf.Variable(0, trainable=False)

#定义了一个滑动平均类，初始化给定了衰减率（0.99）和控制率的变量step
ema = tf.train.ExponentialMovingAverage(0.99, step)
#定义一个更新变量滑动平均的操作，这里需要给定一个列表，每次执行这个操作时，这个列表的变量都会被更新
maintain_averages_op = ema.apply([v1])

with tf.Session() as sess:
    #初始化所有变量
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    #通过ema.average(v1)获取滑动平均之后变量的取值。在初始化之后变量v1的值和v1的滑动平均都为0
    print(sess.run([v1, ema.average(v1)]))

    #更新变量v1的值到5
    sess.run(tf.assign(v1, 5))
    #更新v1的滑动平均值，衰减率为min{0.99, (1 + step)/(10+step)) = 0.1} = 0.1
    #所以v1的滑动平均会被更新为0.1*0 + 0.9*5 = 4.5

    sess.run(maintain_averages_op)
    print(sess.run([v1, ema.average(v1)]))

    #更新step的值为10000
    sess.run(tf.assign(step, 10000))
    #更新v1的值为10
    sess.run(tf.assign(v1, 10))
    #更新v1的滑动平均值，衰减率为minmin{0.99, (1 + step)/(10+step)) = 0.1} = 0.99
    #所以v1的滑动平均会被更新为0.99*4.5+0.01*10 = 4.555
    sess.run(maintain_averages_op)
    print(sess.run([v1, ema.average(v1)]))

    #再次更新滑动平均值
    sess.run(maintain_averages_op)
    print(sess.run([v1, ema.average(v1)]))