请随机创建一份单输入单输出的200个数据点的数据集。并以这个数据集写一份单输入单输出，中间层待定的全连接神经网络代码，进行回归训练。要求代码每一步骤有详细的注释

生成数据集：

import numpy as np

# 随机生成200个数据点，每个数据点有一个输入和一个输出
inputs = np.random.rand(200, 1)
outputs = inputs * 3 + 2 + np.random.rand(200, 1)

# 把数据保存到文件中
np.savetxt('data.csv', np.hstack([inputs, outputs]), delimiter=',')

全连接神经网络代码：

import numpy as np
import tensorflow as tf

# 加载数据集
data = np.loadtxt('data.csv', delimiter=',')
inputs = data[:, 0].reshape(-1, 1)
outputs = data[:, 1].reshape(-1, 1)

# 定义占位符
x = tf.placeholder(tf.float32, [None, 1], name='x')
y = tf.placeholder(tf.float32, [None, 1], name='y')

# 定义网络结构
hidden_size = 10
hidden_layer = tf.layers.dense(x, hidden_size, activation=tf.nn.relu, name='hidden_layer')
output_layer = tf.layers.dense(hidden_layer, 1, name='output_layer')

# 定义损失函数和优化器
loss = tf.reduce_mean(tf.square(output_layer - y))
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)

# 创建会话并训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        _, l = sess.run([optimizer, loss], feed_dict={x: inputs, y: outputs})
        if i % 100 == 0:
            print('step {}: loss = {}'.format(i, l))

注释如下：

1. 加载数据集
2. 定义占位符 x 和 y，用于输入和输出数据
3. 定义隐藏层的大小和激活函数，使用 tf.layers.dense 函数创建全连接层
4. 定义输出层，同样使用 tf.layers.dense 函数创建全连接层
5. 定义损失函数，这里使用均方误差
6. 定义优化器，这里使用随机梯度下降
7. 创建会话并初始化变量
8. 进行训练，每100个步骤打印一次损失函数的值