平面曲线属于非线性函数，至少需要 3 层的神经网络（输入层，隐藏层x1，输出层）来实现，为达到较好的效果，可尝试更多层，下面的例子使用了2层隐藏层，采用最基本的全连接形式，隐藏层的神经元个数没有严格要求，根据实际项目选择，下面例子选用8个。

下面通过代码实现：

引入相关库，定义神经网络层

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 构造添加一个神经层的函数
def add_layer(inputs, in_size, out_size, activation_function=None):
Weights = tf.Variable(tf.random_normal([in_size, out_size])) #权重矩阵[列，行]
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) # 偏置向量[列，行]
= tf.matmul(inputs, Weights) + biases # w*x+b(未激活)
if activation_function is None: # 线性关系（不使用激活函数）
outputs =
else:
outputs = activation_function()# 非线性激活
return outputs

生成些输入数据并导入网路

因为要拟合平面曲线，输入x和输出y均为一维数据

# 导入数据，这里的x_data和y_data并不是严格的一元二次函数的关系
# 因为我们多加了一个noise,这样看起来会更像真实情况
x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]#300行，1个特性
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)# 均值，方差，形状
y_data = np.power(x_data,3)*10 - 8*noise # y = x^2-0.5+noise

# 利用占位符定义我们所需的神经网络的输入
# None代表无论输入有多少都可以，因为输入只有一个特征，所以这里是1
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])

搭建网络

输入层：神经元个数1(输出1)

隐藏层1：神经元个数8(输入1，输出8)

隐藏层2：神经元个数8(输入8，输出8)

输出层：神经元个数1(输入8，输出1)

# 定义隐藏层【l1】和【l2】,利用之前的add_layer()函数
l1 = add_layer(xs, 1, 8, activation_function=tf.nn.sigmoid) # 输入层，输入，输出
l2 = add_layer(l1, 8, 8, activation_function=tf.nn.sigmoid) # 输入层，输入，输出

# 定义输出层【prediction】。输入就是隐藏层的输出——l1，输入有10层，输出有1层
prediction = add_layer(l2, 8, 1, activation_function=None)