深度网络的最终计算是求出w，即每个节点的权重。计算w的方法通常是通过损失函数进行反向传播，最终调整w的值， 这里就出现一个问题，即 噪音点会使得最终计算出w造成偏差。

   举个例子，通过n轮学习后，w的值稳定为1. 突然经过下一轮学习，既n+1轮后，w的值变成了10。 说明很可能第n+1轮的数据是强噪音，因为这条数据让稳定值产生了比较大的波动！

  平均滑动模型就是为了避免这种情况。我们先来直观了解下，什么是平均滑动模型： 最近的n条数据的平均值！   

举个例子，一开始有10条数据

 1  1  1  1  1  1  1  1  1  1 

他们的平均值很是明显为1，现在加入一个新的数据，10：

 1  1  1  1  1  1  1  1  1  1  10

由于只取最近n条，我们将n就定为10，那么， 原来的第1条数据，就被删除了，现在，最近10条的平均值变成了：(9+10)/10=1.9

作用已经很明显了，再用这个例子来说回我们的w，前10次w的平均值为1，当第11次w的值变为10时，通过平均滑动模型，将w从10拉回到1.9，将这个噪音的影响降到最低！ 这就是平均滑动模型的意义。

有tensorflow中，并不是用的这种公式，然而想要达到的效果是一致的。