tensorflow有关于曲线拟合的demo：https://github.com/tensorflow/tfjs-examples/tree/master/polynomial-regression-core。
将代码下载下来可以看到有几个主要的文件：data.js、index.js、ui.js。
分别讲述一下三个文件的作用：
①.data.js：负责创建训练数据集合
这个函数构建了一个 y = ax^3 + bx^2 + cx + d的多项式，并在这个多项式的基础上增加噪声 add(tf.randomNormal([numPoints], 0, sigma)) 生成散点图
②index.js：根据数据集合训练模型
首先创建a、b、c、d，用随机数初始化，下面将输入数据集将它们训练直至拟合模型
定义训练的次数、学习速率（学习速率约高花费的时间越长，效果越好）、优化器（使用梯度下降法，一种快速收敛的算法）
定义预测函数，因为已经事先知道生成数据使用的函数公式，因此预测函数也使用这个公式
定义损失函数：用来判断每次预测结果的优劣程度，使用均方差
训练函数：按照定义的训练次数来迭代训练，重复预测->判断损失->再次预测的过程
训练代码：建立数据->训练->控制台打印预测结果
或者如官网demo所示，在网页上渲染为折线图
训练前：
训练后：
难道这就结束了吗？不，这只是第一阶段，我们已经通过官网demo学习了曲线拟合的基本步骤：建立数据集合、预测模型、损失函数、优化器、训练逻辑。
接下来，我们进入第二阶段，也是今天要分享的重点，拟合任意曲线。
使用tensorflow.js的高阶API，
①使用张量模型：
②建立神经网络，高阶API非常方便的地方在于将输入层、隐藏层、输出层封装了内部的实现细节，只需要调用函数即可使用完整功能：
③建立数据->训练->控制台打印预测结果
代码非常简短，实际上隐藏了大量的细节。如果不使用高阶API的话，会是这样的代码：
拟合结果:
完整代码：
