python深度学习中指数移动平均值的计算代码问题

最近在看《python深度学习》，其中3.6提到了用指数移动平均值来得到光滑的曲线：

def smooth_curve(points, factor=0.9):
  smoothed_points = []
  for point in points:
    if smoothed_points:
      previous = smoothed_points[-1]
      smoothed_points.append(previous * factor + point * (1 - factor))
    else:
      smoothed_points.append(point)
  return smoothed_points

smooth_mae_history = smooth_curve(average_mae_history[10:])

plt.plot(range(1, len(smooth_mae_history) + 1), smooth_mae_history)
plt.xlabel('Epochs')
plt.ylabel('Validation MAE')
plt.show()

百度了一下，指数移动平均值的计算公式应该是：

EMAtoday=α * Pricetoday + ( 1 - α ) * EMAyesterday;

如果按照这个公式，计算代码应为：

factor * point + （1 - factor） * previous

而非书中提到的：

previous * factor + point * (1 - factor)

想请教下，是书上错了还是我理解错了？还想请教下factor=0.9时怎么得出的？

你提到的这两个算法是一样的啊，只不过其中一个的factor在另一个里是1-factor。
0.9只不过是作者取得一个默认值，你要是想换可以自己改，没什么怎么得出的。
没人会问你一天三顿饭的3是怎么得出的，让你列计算过程。

这两个alpha滤波公式本质上是一样的：
1)previous * factor + point * (1 - factor)
2)factor * point + （1 - factor） * previous
但是需要看这个系数的大小；容易导致含义出现偏差。

举例系数=0.1:
第一个公式含义是：前一个点占10%，当前点占90%；平滑快。图像处理的结果，更加模糊。
第二个公式含义是：当前值占10%，前一个值占90%；平滑慢。图像处理的结果，更加锐利。