前言
在深度学习优化算法中，我们会涉及到指数加权平均这个概念，下面我将通过例子来一步一步引出这个概念。
平均数求法
比如我们现在有100天的温度值，要求这100天的平均温度值。
24，25，24，26，34，28，33，33，34，35…32。
我们直接可以用公式：
通过上面的公式就可以直接求出10天的平均值。而我们要介绍的指数加权平均本质上就是一种近似求平均的方法。
指数加权平均
我们现在直接给出公式：
化简开得到如下表达式：
通过上面表达式，我们可以看到，V100等于每一个时刻天数的温度值再乘以一个权值。
本质就是以指数式递减加权的移动平均。各数值的加权而随时间而指数式递减，越近期的数据加权越重，但较旧的数据也给予一定的加权。
而在我们上面提到的普通平均数求法，它的每一项的权值都是一样的，如果有n项，权值都为1/n。
指数加权平均的本质还可以用下图表示：
指数加权平均的结果是由当天温度值乘以指数衰减函数值，然后类和求得！
指数加权平均的优势
那么指数加权平均法有什么好处呢？首先我们来看它的实现：
我们可以看到指数加权平均的求解过程实际上是一个递推的过程，那么这样就会有一个非常大的好处，每当我要求从0到某一时刻（n）的平均值的时候，我并不需要像普通求解平均值的作为，保留所有的时刻值，类和然后除以n。
而是只需要保留0-(n-1)时刻的平均值和n时刻的温度值即可。也就是每次只需要保留常数值，然后进行运算即可，这对于深度学习中的海量数据来说，是一个很好的减少内存和空间的做法。