使用Python的TensorFlow2.0将波士顿房价数据集分为训练集，验证集和测试集（6:2:2），进行Tensorflow2.0的数据加载、线性回归模型的搭建、线性回归模型的交叉验证、模型保持和新数据预测

首先，我们需要下载并导入波士顿房价数据集。可以通过以下代码完成：

import tensorflow as tf
from sklearn.datasets import load_boston

# 下载波士顿房价数据集
boston = load_boston()

# 将数据集分为训练集、验证集和测试集
train_size = int(len(boston.data) * 0.6)
val_size = int(len(boston.data) * 0.2)
test_size = len(boston.data) - train_size - val_size

train_data = tf.data.Dataset.from_tensor_slices((boston.data[:train_size], boston.target[:train_size]))
val_data = tf.data.Dataset.from_tensor_slices((boston.data[train_size:train_size+val_size], boston.target[train_size:train_size+val_size]))
test_data = tf.data.Dataset.from_tensor_slices((boston.data[train_size+val_size:], boston.target[train_size+val_size:]))

# 打印数据集大小
print("训练集大小：", len(train_data))
print("验证集大小：", len(val_data))
print("测试集大小：", len(test_data))

接下来，我们可以搭建线性回归模型。可以通过以下代码完成：

# 定义线性回归模型
class LinearRegression(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.dense = tf.keras.layers.Dense(1)
        
    def call(self, inputs):
        return self.dense(inputs)

# 创建线性回归模型
model = LinearRegression()

# 定义损失函数和优化器
loss_fn = tf.keras.losses.MeanSquaredError()
optimizer = tf.keras.optimizers.Adam()

接下来，我们可以进行模型的训练和交叉验证。可以通过以下代码完成：

# 定义训练函数
@tf.function
def train_step(inputs, labels):
    with tf.GradientTape() as tape:
        predictions = model(inputs)
        loss = loss_fn(labels, predictions)
    gradients = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))
    return loss

# 定义交叉验证函数
def cross_validate(dataset):
    losses = []
    for inputs, labels in dataset:
        predictions = model(inputs)
        loss = loss_fn(labels, predictions)
        losses.append(loss.numpy())
    return tf.reduce_mean(losses)

# 训练模型
num_epochs = 100
for epoch in range(num_epochs):
    train_losses = []
    for inputs, labels in train_data:
        train_loss = train_step(inputs, labels)
        train_losses.append(train_loss.numpy())
    val_loss = cross_validate(val_data)
    print("Epoch {}/{} - train_loss: {:.4f} - val_loss: {:.4f}".format(epoch+1, num_epochs, tf.reduce_mean(train_losses), val_loss))

# 保存模型
model.save("linear_regression_model")

# 加载模型
loaded_model = tf.keras.models.load_model("linear_regression_model")

# 预测新数据
new_data = tf.constant(boston.data[:10])
predictions = loaded_model.predict(new_data)
print("预测值：", predictions.flatten())

最后，我们可以使用测试集对模型进行测试。可以通过以下代码完成：

# 测试模型
test_loss = cross_validate(test_data)
print("测试集损失：", test_loss)

至此，我们完成了使用TensorFlow2.0进行波士顿房价数据集的线性回归模型的训练、交叉验证、模型保存和新数据预测的过程。