使用TensorFlow拟合高斯曲线的数据集与代码问题咨询

一、数据集构建与多组数据训练问题 #

• 你的CSV存储方式没问题，用多组数据训练完全可行，还能提升模型的泛化能力。
• 多组数据训练的正确操作：
  • 把所有组的XY点对纵向拼接：比如每组301个点，N组就整理成(N*301, 2)的二维数组，X取第一列，Y取第二列。
  • 如果只拟合每组的峰值区域，就对每组单独提取峰值前后的点，再把所有组的这些点合并成一个大训练集。
  • 关键注意点：不同组XY尺度差异大，必须做归一化处理，比如把X缩放到[0,1]或[-1,1]区间，Y同步做相同缩放；训练完成后预测时，再把结果反归一化还原到原始尺度，否则模型会被数值大的组数据主导，拟合效果严重偏差。

二、现有代码的问题分析 #

你的代码用深度学习模型拟合高斯曲线，但效果差、损失值极高，核心问题如下：

1. 模型选型错误：高斯曲线有明确的数学表达式（$y = a e^{-(x-b)2/(2c^2)}$），用复杂的全连接神经网络属于过度设计，反而容易出现欠拟合或过拟合。直接用传统非线性最小二乘拟合（比如SciPy的curve_fit），效率和精度都远高于深度学习方案。
2. 数据未做归一化：如果你的Y值本身数值很大（比如上万），MSE损失自然会极高，模型优化难度陡增。
3. 网络结构冗余且不合理：输入是1维X，第一层就用301个线性单元完全多余；ReLU激活函数是分段线性的，无法拟合平滑的高斯曲线，会导致输出出现锯齿状偏差。
4. 训练数据量不足：仅取60个点（25+35），却训练100轮，很容易过拟合，同时模型复杂度远超需求。
5. 数据未排序：绘图时X数据未排序，会导致曲线乱跳，无法直观观察拟合效果。

修正后的两种方案 #

方案1：传统数学方法拟合（推荐）

直接定义高斯函数，用scipy.optimize.curve_fit完成拟合，代码示例：

import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt

# 定义高斯函数
def gaussian(x, a, b, c):
    return a * np.exp(-(x - b)**2 / (2 * c**2))

# 数据处理
data = np.genfromtxt('DatasetTry1.csv', delimiter=',')
x_ini = data[0, 0:301]
y_ini = data[1, 0:301]
peak_index = np.argmax(y_ini)
x_inter = x_ini[peak_index-25 : peak_index+35]
y_inter = y_ini[peak_index-25 : peak_index+35]

# 拟合参数
popt, pcov = curve_fit(gaussian, x_inter, y_inter)
y_pred = gaussian(x_inter, *popt)

# 绘图（先排序保证曲线平滑）
sorted_x = np.sort(x_inter)
plt.scatter(x_inter, y_inter)
plt.plot(sorted_x, gaussian(sorted_x, *popt), 'r', linewidth=4)
plt.grid()
plt.show()

方案2：简化深度学习模型（若坚持用TensorFlow）

简化网络结构，使用适合平滑拟合的激活函数，加上数据归一化：

import numpy as np
import keras
import matplotlib.pyplot as plt

# 数据处理
data = np.genfromtxt('DatasetTry1.csv', delimiter=',')
x_ini = data[0, 0:301]
y_ini = data[1, 0:301]
peak_index = np.argmax(y_ini)
x_inter = x_ini[peak_index-25 : peak_index+35]
y_inter = y_ini[peak_index-25 : peak_index+35]

# 数据归一化
x_norm = (x_inter - x_inter.mean()) / x_inter.std()
y_norm = (y_inter - y_inter.mean()) / y_inter.std()

# 简化模型
model = keras.Sequential([
    keras.layers.Dense(16, activation='tanh', input_shape=[1]),
    keras.layers.Dense(8, activation='tanh'),
    keras.layers.Dense(1, activation='linear')
])
model.compile(loss='mse', optimizer=keras.optimizers.Adam(learning_rate=0.001))

# 训练
model.fit(x_norm, y_norm, epochs=500, verbose=1)

# 预测并反归一化
y_pred_norm = model.predict(x_norm)
y_pred = y_pred_norm * y_inter.std() + y_inter.mean()

# 绘图（排序后保证曲线平滑）
sorted_indices = np.argsort(x_inter)
plt.scatter(x_inter, y_inter)
plt.plot(x_inter[sorted_indices], y_pred[sorted_indices], 'r', linewidth=4)
plt.grid()
plt.show()

三、相关学习资源 #

• 传统曲线拟合：学习SciPy官方文档中curve_fit的使用教程，重点掌握高斯、多项式、指数等常见拟合函数的应用场景。
• TensorFlow基础：学习官方入门教程，重点吃透数据预处理（归一化、标准化）、简单网络结构设计、模型优化的核心流程。
• 回归任务选型：明确传统方法与深度学习的适用边界——只有当数据噪声极大、函数形式完全未知时，才考虑用深度学习拟合曲线，否则传统数学方法更高效。

内容的提问来源于stack exchange，提问作者DeepBlue