可进一步参考：https://blog.csdn.net/edward_zcl/article/details/89418268 https://blog.csdn.net/weixin_35653315/article/details/74632110
variables_to_restore函数，是TensorFlow为滑动平均值提供。之前，也介绍过通过使用滑动平均值可以让神经网络模型更加的健壮。我们也知道，其实在TensorFlow中，变量的滑动平均值都是由影子变量所维护的，如果你想要获取变量的滑动平均值需要获取的是影子变量而不是变量本身。
1、滑动平均值模型文件的保存
import tensorflow as tf if __name__ == "__main__": v = tf.Variable( 0.,name= "v") #设置滑动平均模型的系数 ema = tf.train.ExponentialMovingAverage( 0.99) #设置变量v使用滑动平均模型，tf.all_variables()设置所有变量 op = ema.apply([v]) #获取变量v的名字 print(v.name) #v:0 #创建一个保存模型的对象 save = tf.train.Saver() sess = tf.Session() #初始化所有变量 init = tf.initialize_all_variables() sess.run(init) #给变量v重新赋值 sess.run(tf.assign(v, 10)) #应用平均滑动设置 sess.run(op) #保存模型文件 save.save(sess, "./model.ckpt") #输出变量v之前的值和使用滑动平均模型之后的值 print(sess.run([v,ema.average(v)])) #[10.0, 0.099999905] 上面的代码，是如何来保存一个滑动平均值的模型文件，之前有介绍过滑动平均值和模型文件的保存，所以这里就不再重复了。2、滑动平均值模型文件的读取
v = tf.Variable( 1.,name= "v") #定义模型对象 saver = tf.train.Saver({ "v/ExponentialMovingAverage":v}) sess = tf.Session() saver.restore(sess, "./model.ckpt") print(sess.run(v)) #0.0999999 对于模型文件的读取，在上一篇博客中有介绍过，这里特别需要注意的一个地方就是，在使用tf.train.Saver函数中，所传递的模型参数是 {"v/ExponentialMovingAverage":v}而不是 {"v":v}，如果你使用的是后面的参数，那么你得到的结果将是10而不是0.09，那是因为后者获取的是 变量本身而不是 影子变量。是不是感觉使用这种方式来读取模型文件的时候，还需要输入一大串的变量名称。3、variables_to_restore函数的使用
v = tf.Variable( 1.,name= "v") #滑动模型的参数的大小并不会影响v的值 ema = tf.train.ExponentialMovingAverage( 0.99) print(ema.variables_to_restore()) #{'v/ExponentialMovingAverage': <tf.Variable 'v:0' shape=() dtype=float32_ref>} sess = tf.Session() saver = tf.train.Saver(ema.variables_to_restore()) saver.restore(sess, "./model.ckpt") print(sess.run(v)) #0.0999999 通过使用variables_to_restore函数，可以使在加载模型的时候将影子变量直接映射到变量的本身，所以我们在获取变量的滑动平均值的时候只需要获取到变量的本身值而不需要去获取影子变量。注意：你可以使用显式(直接使用滑动变量名的map)或者隐式(使用restore方法)使用恢复，但是一定要先创建好变量本身(变量名)，使用相同的变量名或者直接在一个session/graph里面。 类似的还有tensorflow里面的from tensorflow.python.training import moving_averages或者python\lib\site-packages\tensorlayer\layers\normalization.py文件，你可以使用不同的方式进行normalize操作。
