使用tensorflow2.0.0版本实现多变量线性回归模型，要求有准备数据、构建模型、训练模型、预测模型四个步骤，使用np.random.seed准备数据，权重有3个，分别为9.0、2.0、8.0，偏置为1.0，无需在控制台输出结果，但是要使用matplotlib输出图像

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 准备数据
np.random.seed(1)
num_samples = 1000
true_weights = np.array([9.0, 2.0, 8.0]).reshape(-1, 1)
true_bias = 1.0
features = np.random.normal(size=(num_samples, 3))
labels = np.dot(features, true_weights) + true_bias + np.random.normal(scale=0.01, size=(num_samples, 1))

# 构建模型
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(1, input_shape=(3,)))

# 训练模型
model.compile(optimizer='sgd', loss='mse')
history = model.fit(features, labels, epochs=100, batch_size=10, validation_split=0.2)

# 预测模型
preds = model.predict(features)

# 输出图像
plt.figure()
plt.scatter(labels, preds)
plt.plot([-10, 10], [-10, 10], 'r')
plt.xlabel('true values')
plt.ylabel('predictions')
plt.show()