以下三張圖片是生成的效果，每張圖的藍點都表示為樣本值，紅點表示最終預測效果，本例帶有點動畫效果，可以更直觀的覺數值的變化

#-*- coding:utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
def createData(ref):
    '''生成資料函式,ref 引數說明 
    本函式將生成一組的x,y資料，ref傳參為陣列,[a1,a2,a3,b]
    x將為一組300個的由-1至1的等分數列組成的陣列
    y根據ref傳參，如上[a1,a2,a3,b]，，y = a1*x3次方  + a2*x2次方  + a3*x  + b +燥點 
    '''
    x = x_data=np.linspace(-1,1,300).reshape(300,1)
    y = np.zeros(300).astype(np.float64).reshape(300,-1)
    yStr = ""
    for i in range(len(ref)):
        y = y + x ** (len(ref) - i - 1) * ref[i]
        yStr+= (" = " if yStr == "" else " + ") + str(ref[i]) + " * (" + str(x[3]) + ") ** " + str(len(ref) - i - 1) 
    noise = max(y) * (np.random.uniform(-0.05,0.05,300)).reshape(300,-1)
    y = y + noise
    yStr = str(y[3]) + yStr + " + " + str(noise[3][0]) + "(noise)"
    print(yStr)
    return x,y

def addLayer(inputData,input_size,output_size,activation_function=None):
    weight = tf.Variable(tf.random_uniform([input_size,output_size],-1,1))#初始化隨機，比全是零要好
    b = tf.Variable(tf.random_uniform([output_size],-1,1))#這是來自tensorflow的建議，biases不為零比較較好
    mat = tf.matmul(inputData,weight)+b #matul求矩陣乘法並加上biases
    if activation_function != None : mat = activation_function(mat)
    return mat


def draw(x_data,y_data,trainTimes,learningRate):
    '''
    trainTimes：訓練次數，當次x_data,y_data不同時，trainTimes與learningRate都必須適當調整
    關於learningRate這裡不在詳細說明，可以參考我別的文章
    '''
    x = tf.placeholder(tf.float32,[None,1])
    y = tf.placeholder(tf.float32,[None,1])
    #在原始資料x_data與最後預測值之間加上一個20個神經元的神經網路層
    #典型的三層網路，N個神級元，x_data,y_data 只有一個屬性，算是一個神經元，所以輸入是一個神經元，而隱藏層有N個神經元
    layer1 = addLayer(x,1,20,activation_function=tf.nn.relu) 
    prediction = addLayer(layer1,20,1)

    loss = tf.reduce_mean(tf.reduce_sum(tf.square(y - prediction),axis=1))
    train=tf.train.GradientDescentOptimizer(learningRate).minimize(loss)

    sess=tf.Session()
    sess.run(tf.initialize_all_variables())

    trainStepPrint=int(trainTimes/10)
    feed_dict={x:x_data,y:y_data}

    predictionStep=[] #用於儲存訓練過程中的預測結果
    for i in range(trainTimes):
        sess.run(train,feed_dict=feed_dict)
        if i%trainStepPrint==0 or i<10:#分20次將計算的步驟值進行儲存，i<10 指最開始的10次，基本前面幾次的WEIGHT變化比較大，效果明顯
            lossVal=sess.run(loss,feed_dict=feed_dict)
            print("步驟：%d, loss:%f"%(i,lossVal))
            predictionStep.append(sess.run(prediction,{x:x_data}))#預測時並不需要傳參y_data
    lossVal=sess.run(loss,feed_dict=feed_dict)
    print("最後loss:%f"%(lossVal))
    predictionStep.append(sess.run(prediction,{x:x_data}))#傳入最後結果
    sess.close()

    plt.scatter(x_data,y_data,c='b') #藍點表示實際點
    plt.ion()
    plt.show()

    predictionPlt=None
    for i in predictionStep:
        if predictionPlt!=None:predictionPlt.remove();
        predictionPlt=plt.scatter(x_data,i,c='r') #紅點表示預測點
        plt.pause(0.3)


x_data,y_data = createData([2,0,1])#  2 * x平方  +1  完全的拋物線
draw(x_data,y_data,10000,0.1)

#x_data,y_data = createData([2,2,2])#  2 * x平方 + 2*x + 2  拋物線的一部份，可自行取消註釋後執行
#draw(x_data,y_data,10000,0.1)

#x_data,y_data = createData([1,0,2,0]) #3次方的試驗，x3次方+ 2*x  可自行取消註釋後執行
#draw(x_data,y_data,10000,0.01)