线性回归的代码。具体要求如下：
（1）回归函数为：x^2-0.5 + noisy
（2）神经网络的层数、节点数目、激活函数自定义。（记录心得）
（3）使用tensorboard把计算图显示出来。
（4）使用matplotlib.pyplot把拟合情况画出来。
一、初始数据如下：
线性回归函数：x^2-0.5 + noisy
step_num = 400
lr = 0.01
batch_size = 10
二、参数调优过程数据如下：
1、调参数据：step_num = 400，lr = 0.01，batch_size = 10得到的， 得到损失
函数为0.0122，图像显示极度欠拟合。
2、增加神经元层数：把神经元层数从1层改为4层，发现拟合程度变化不明显。
3、增加step_num，值为5000时，曲线拟合效果有明显改变，但底部不光滑，有折
线。
4、增加Batch_size至50，有细微的改变，但是改变不是很明显。
5、改变激活函数，尝试Tanh、relu、sigmoid等，感觉Tanh函数效果较好
6、增加step_num至12000，效果显著，损失函数达到最小值0.0043，曲线基本拟合。
7、改变学习率，效果不是很明显。
8、将激活函数全部改为Tanh，曲线拟合较好，减少神经元层数至1层，曲线拟合也比
较好，损失函数为0.0033
9、将优化函数从GradientDescentOptimizer改为AdamOptimizer，拟合效果很好，
将step_num改为12000-18000，效果非常好，多跑几次损失函数最小值可以达到
0.0024，曲线已经非常拟合了。
三、生成的图如下：
1、运行代码通过matplolib画出来的图如下：
四、获取计算图如下：
1、在terminal终端输入如下内容：
D:\tensorflow> tensorboard logdir D:\AI\work1.py
2、在谷歌浏览器输入：http://127.0.0.1:6006
3、显示如下图：
五、结论
1、把激活函数从relu和sigmoid改为tanh最符合此次模型的拟合
2、发现在参数调优过程当中起重大作用的还是选择了AdamOptimizer这个优化器，
可以快速均匀的进行收敛。
3、增加神经元的层数对此次的数据拟合效果不是特别明显。
4、batch_size的值改到500-800的时候损失函数的会下降会更加的稳定，不会剧烈的
来回震荡，但对最终的拟合作用不是很大。
4、在此次调优过程中step_num从12000往上增加步数，拟合的效果会越来越好，直
到18000损失函数达到 0.0024左右，明显感觉到下降的梯度会越来越慢，所以
step_num参数对线性回归的调优其实作用还是很大的。
