在TensorFlow里建立一个1*100*200*100的神经网络，输入为常数1，输出为100个数，使之能构成一个n次曲线

在TensorFlow中，要创建一个1x100x200x100的神经网络，通常会涉及卷积神经网络（Convolutional Neural Network，CNN）或全连接层（Fully Connected Layer）。由于你的目标是一个n次曲线，这更像一个线性回归问题，我们可以使用全连接层来实现。以下是一个简单的示例，假设我们使用的是基本的线性回归模型：

import tensorflow as tf

# 创建一个静态形状的占位符作为输入
input_tensor = tf.keras.Input(shape=(1, 100, 200, 100))

# 添加一个全连接层（Dense层）
dense_layer = tf.keras.layers.Dense(1)(input_tensor)

# 为了得到100个独立的预测值，我们可能需要reshape结果
output_tensor = tf.reshape(dense_layer, shape=(-1, 100))

# 构建一个Sequential模型
model = tf.keras.Model(inputs=input_tensor, outputs=output_tensor)

# 使用常数1填充输入
input_value = tf.ones((1, 1, 100, 200, 100))

# 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')  # 对于拟合n次曲线，可以选择均方误差损失

# 训练模型，这里仅作演示，实际使用时需提供足够的训练数据
model.fit(input_value, tf.ones((1, 100)), epochs=10)  # 假设我们要拟合100个点的曲线

# 获取模型对输入1的预测结果
prediction = model.predict(input_value)

这个模型将会学习一个从输入空间到输出空间的一维映射，形成一条n次曲线。请注意，对于复杂的非线性拟合，可能需要更深的网络结构，如包含多个隐藏层的神经网络。