本文知识点：
- 什么是指数加权平均？
- 为什么在优化算法中使用指数加权平均？
- β 如何选择？
1. 什么是指数加权平均
指数加权平均(exponentially weighted averges)，也叫指数加权移动平均，是一种常用的序列数据处理方式。
它的计算公式如下：
其中，
- $θ_t$：为第 t 天的实际观察值，
- $V_t$: 是要代替 $θ_t$ 的估计值，也就是第 t 天的指数加权平均值，
- β： 为 $V_{t-1}$ 的权重，是可调节的超参。( 0 < β < 1 )
例如：
我们有这样一组气温数据，图中横轴为一年中的第几天，纵轴为气温：
直接看上面的数据图会发现噪音很多，
这时，我们可以用 指数加权平均 来提取这组数据的趋势，
按照前面的公式计算：
这里先设置 β = 0.9，首先初始化 $V_0 ＝ 0$，然后计算出每个 $V_t$：
将计算后得到的 $V_t$ 表示出来，就得到红色线的数值：
可以看出，红色的数据比蓝色的原数据更加平滑，少了很多噪音，并且刻画了原数据的趋势。
指数加权平均，作为原数据的估计值，不仅可以 1. 抚平短期波动，起到了平滑的作用，2. 还能够将长线趋势或周期趋势显现出来。
所以应用比较广泛，在处理统计数据时，在股价等时间序列数据中，CTR 预估中，美团外卖的收入监控报警系统中的 hot-winter 异常点平滑，深度学习的优化算法中都有应用。
2. 为什么在优化算法中使用指数加权平均
上面提到了一些 指数加权平均 的应用，这里我们着重看一下在优化算法中的作用。
以 Momentum 梯度下降法为例，
Momentum 梯度下降法，就是计算了梯度的指数加权平均数，并以此来更新权重，它的运行速度几乎总是快于标准的梯度下降算法。
这是为什么呢？
让我们来看一下这个图，
例如这就是我们要优化的成本函数的形状，图中红点就代表我们要达到的最小值的位置，
假设我们从左下角这里出发开始用梯度下降法，那么蓝色曲线就是一步一步迭代，一步一步向最小值靠近的轨迹。
可以看出这种上下波动，减慢了梯度下降法的速度，而且无法使用更大的学习率，因为如果用较大的学习率，可能会偏离函数的范围。
如果有一种方法，可以使得在纵轴上，学习得慢一点，减少这些摆动，但是在横轴上，学习得快一些，快速地从左向右移移向红点最小值，那么训练的速度就可以加快很多。
这个方法就是动量 Momentum 梯度下降法，它在每次计算梯度的迭代中，对 dw 和 db 使用了指数加权平均法的思想，
即根据式子：
用 $V{dW}$ 和 $V{db}$ ：
$V{dW} = β ∗ V{dW} + (1 − β) ∗ d_W$
$V{db} = β ∗ V{db} + (1 − β) ∗ d_b$
来代替 dw 和 db 做梯度更新：
$W := W − α V_{dW} $
$b := b − α V_{db} $
这样我们就可以得到如图红色线的轨迹：
可以看到：
纵轴方向，平均过程中正负摆动相互抵消，平均值接近于零，摆动变小，学习放慢。
横轴方向，因为所有的微分都指向横轴方向，因此平均值仍然较大，向最小值运动更快了。
在抵达最小值的路上减少了摆动，加快了训练速度。
3. β 如何选择？
根据前面的计算式子：
将 $V_{100}$ 展开得到：
这里可以看出，$V_t$ 是对每天温度的加权平均，之所以称之为指数加权，是因为加权系数是随着时间以指数形式递减的，时间越靠近，权重越大，越靠前，权重越小。
当 β = 0.9 时，$0.9^{10} ≈ 0.35 ≈ 1/e $，
假如我们以 $1/e$ 为一个分界点，当权重衰减到这个值以下，就可以忽略不计.
那么对任意 β, $β^{1 \over 1−β} ≈ 1/e $, 所以指数加权平均就是最近 $N ＝ {1 \over 1−β}$ 天的平均值。
再来看下面三种情况：
当 β = 0.9 时，指数加权平均最后的结果如图红色线所示，代表的是最近 10 天的平均温度值；
当 β = 0.98 时，指结果如图绿色线所示，代表的是最近 50 天的平均温度值；
当 β = 0.5 时，结果如下图黄色线所示，代表的是最近 2 天的平均温度值；
β 越小，噪音越多，虽然能够很快的适应温度的变化，但是更容易出现奇异值。
β 越大，得到的曲线越平坦，因为多平均了几天的温度，这个曲线的波动更小。
但有个缺点是，因为只有 0.02 的权重给了当天的值，而之前的数值权重占了 0.98 ，
曲线进一步右移，在温度变化时就会适应地更缓慢一些，会出现一定延迟。
通过上面的内容可知，β 也是一个很重要的超参数，不同的值有不同的效果，需要调节来达到最佳效果，一般 0.9 的效果就很好。
随时随地看视频
