写这个小程序的目的有2个：
1. 向同事证明神经网络可以拟合函数；
2. 可视化地感受不同参数对拟合过程的影响。
下图是用tkinter做的GUI界面，请忽略丑陋的布局。
1. 网络结构：
理论认为：当隐藏层节点数足够多时，只需三层BP网络即可逼近任何连续函数。
程序中网络结构十分简单：1输入，1输出，中间隐藏层的节点数默认为10，为可调参数，目标函数为二次函数，数据点加了噪音。
2. 当数据过少时，容易出现过拟合：
当数据点的个数只有4个时，为了使得loss最小，神经网络经过了这四个点，学习结果为3个分段函数，与目标值二次函数存在较大出入，出现了明显的过拟合。
3. 学习率太大时，模型可能无法收敛：
4. 模型并不是越大越好：
当神经网络隐藏层节点数由5变为50时，直观上看：拟合结果差别并不大。
这里其实就涉及到一个问题：精度和速度之间的平衡。
未来还可以可视化的观察：
a. 不同优化器，如Adam，rmsprop，SGD的差别；
b. 异常值的加入对结果的影响；
……