在进行非线性回归时，许多教程以 y=x^2 为例，比如这篇文章：Tensorflow实现回归（例子）

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#制造数据，加上随机噪声
x_data = np.linspace(-0.5, 0.5, 200)[:,np.newaxis]
noise = np.random.normal(0, 0.02, x_data.shape)
y_data=np.square(x_data)+noise
 
#定义两层简单的网络
x=tf.placeholder(tf.float32,[None,1])
y=tf.placeholder(tf.float32,[None,1])
 
w1=tf.Variable(tf.random_normal([1,10]))
b1=tf.Variable(tf.zeros([1,10]))
 
wx_plus_b1=tf.matmul(x,w1)+b1
l1=tf.nn.tanh(wx_plus_b1)
 
w2=tf.Variable(tf.random_normal([10,1]))
b2=tf.Variable(tf.zeros([1,1]))
 
wx_plus_b2=tf.matmul(l1,w2)+b2
predict=tf.nn.tanh(wx_plus_b2)
 
#损失函数选用SME
loss=tf.reduce_mean(tf.square(y-predict))
#优化函数选取梯度下降法
train=tf.train.GradientDescentOptimizer(0.1).minimize(loss)
 
with tf.Session() as sess:
    predict_y = None
    sess.run(tf.global_variables_initializer())
    for i in range(2000):
        sess.run(train,feed_dict={x:x_data,y:y_data})
 
    #训练完成后，通过模型得到预测的y值
    predict_y=sess.run(predict,feed_dict={x:x_data})
    plt.figure()
    plt.scatter(x_data,y_data)
    plt.plot(x_data,predict_y,'r',lw=5)
    plt.show()

x的取值在[-1,1]之间进行回归吧是没有问题的，但扩大x的范围后，y值值域异常
如下所示，现修改部分代码：

x_data = np.linspace(-10,10, 1000)[:,np.newaxis]

# wx_plus_b2=tf.matmul(l1,w2)+b2
# predict=tf.nn.tanh(wx_plus_b2)
# tanh的值域为[-1,1],如果第二层网络采用tanh、sigmoid或者relu等激活函数，
# 值域会预期不同，故把上面两个语句改为一个语句（或采用线性激活函数）
predict=tf.matmul(l1,w2)+b2

回归的函数值域就出现问题，结果如下图所示：

请问该如何解决x的取值较大时，回归的y值值域异常问题？
（设计合适的激活函数？或者还是其他方法？）