python神经网络拟合代码

好的，关于神经网络的拟合代码，Python提供了很多第三方库可以使用，比如说tensorflow、keras、pytorch等等。以下是一个基础的tensorflow神经网络拟合代码示例：

import tensorflow as tf
import numpy as np

# 初始化输入和输出数据
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

# 定义输入和输出的placeholder
x_input = tf.placeholder(tf.float32, [None, 1])
y_output = tf.placeholder(tf.float32, [None, 1])

# 定义网络结构，包含一个有10个神经元的隐藏层和一个输出层
Weights_L1 = tf.Variable(tf.random_normal([1, 10]))
biases_L1 = tf.Variable(tf.zeros([1, 10]))
Wx_plus_b_L1 = tf.matmul(x_input, Weights_L1) + biases_L1
L1 = tf.nn.tanh(Wx_plus_b_L1)

Weights_Output = tf.Variable(tf.random_normal([10, 1]))
biases_Output = tf.Variable(tf.zeros([1, 1]))
Wx_plus_b_Output = tf.matmul(L1, Weights_Output) + biases_Output

# 定义损失函数和优化器
loss = tf.reduce_mean(tf.square(y_output - Wx_plus_b_Output))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# 初始化变量
init = tf.global_variables_initializer()

# 启动计算图
with tf.Session() as sess:
    sess.run(init)

    # 训练1000次
    for i in range(1000):
        sess.run(train_step, feed_dict={x_input: x_data, y_output: y_data})

    # 打印损失和预测结果
    print(sess.run(loss, feed_dict={x_input: x_data, y_output: y_data}))
    prediction = sess.run(Wx_plus_b_Output, feed_dict={x_input: x_data})

    # 绘制拟合曲线
    import matplotlib.pyplot as plt
    plt.figure()
    plt.scatter(x_data, y_data)
    plt.plot(x_data, prediction, 'r-', lw=5)
    plt.show()

以上代码实现了对一个一元非线性函数的拟合，其中包含有一个10个神经元的隐藏层和一个输出层，用了tanh作为激活函数，使用了梯度下降算法来优化损失函数，最终绘制出了拟合曲线。