我手上有一份来自模拟的曲线数据，需要你用神经网络把它拟合成一条可直接调用的经验公式，并确保任意数据点的误差率都控制在 5% 以内。网络架构我还没有想法，期待你根据数据特点给出专业建议。 核心工作流程 1. 数据理解与预处理 • 读取并检视我提供的专用数据集（文件将随项目开始共享）。 • 做必要的归一化、划分训练/验证/测试集，并说明理由。 2. 网络设计与训练 • 结合曲线特征提出1–2套候选架构（如全连接网络、CNN、Transformer 等），解释选择依据。 • 用常见框架（Python + PyTorch 或 TensorFlow 均可）实现并训练；包含超参数调优与早停策略。 3. 误差评估与公式提取 • 给出完整的误差分析，逐点列出相对误差，确保全部 ≤5%。 • 将最佳模型转化为可复现的数学/代码形式： - 明确公式、系数与激活函数。 - 提供 Python 函数示例，方便直接调用。 4. 交付物 • 可执行源码与依赖清单。 • 训练日志、可视化结果（loss 曲线、散点图对比）。 • 技术报告：数据处理、模型架构、实验参数、误差验证、最终经验公式。 • 一键复现实验脚本或 Jupyter Notebook。 验收标准 - 全数据集点对点误差 ≤5%。 - 代码在常规 GPU/CPU 环境下即可运行，无缺失依赖。 - 报告内容完整、条理清晰，步骤可追溯。 如果你对曲线拟合、深度学习或函数提取有成熟经验，请展示相关案例或 GitHub 链接，让我更快锁定合适的人选。