下面的代码基于keras模型构建线性模型，对房价数据进行训练及预测。请按照说明将代码补充完整，并根据要求回答问题：（40分） #房价数据为[2104,460], [1416,232] [1534, 315], [1200,280] [852,178]绘制为散点图。请自行安装matplotlib。 x = tf.constant([2104, 1416, 1534, 1200,852]) y = tf.constant([460, 232, 315, 280, 178]) x = tf.cast(x, tf.float32) y = tf.cast(y, tf.float32) # Plot all the data plt.plot(x, y, '.') plt.show() #将输入数据x和y进行归一化 x = keras.utils.normalize(x) y = keras.utils.normalize(y) #定义模型 class MyModelKeras(tf.keras.Model): def __init__(self, **kwargs): super().__init__(**kwargs) # Initialize the weights to `4.0` and the bias to `0.0` #补充以下代码段 （5分） def call(self, x): #补充以下代码段 （5分） keras_model = MyModelKeras() #补充以下代码段，完成模型的编译与训练，训练次数为10次。 （10分） #补充以下代码段，基于matplotlib完成损失函数值的曲线的绘制 （6分） #基于训练好的模型，对归一化后的数据x进行预测，并在同一张图片中分别以蓝色和红色显示对应的y和预测后的数据。 （8分） 请将全部代码和运行结果截图附在该题后面的空白处。 问题：将对数据进行归一化的两行代码注释掉：x = keras.utils.normalize(x) y = keras.utils.normalize(y)，运行代码，将结果中的训练过程中的loss值截图，并说明原因。 （6分）

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

#房价数据为[2104,460], [1416,232] [1534, 315], [1200,280] [852,178]绘制为散点图
x = tf.constant([2104, 1416, 1534, 1200,852])
y = tf.constant([460, 232, 315, 280, 178])
x = tf.cast(x, tf.float32)
y = tf.cast(y, tf.float32)
plt.plot(x, y, '.') 
plt.show()

#将输入数据x和y进行归一化
x = keras.utils.normalize(x)
y = keras.utils.normalize(y)

#定义模型
class MyModelKeras(tf.keras.Model):
  def __init__(self, **kwargs):
    super().__init__(**kwargs)
    # Initialize the weights to `4.0` and the bias to `0.0`
    self.w = tf.Variable(4.0)
    self.b = tf.Variable(0.0)

  def call(self, x):
    return self.w * x + self.b

#创建模型
keras_model = MyModelKeras()

#编译模型
keras_model.compile(optimizer='adam', loss='mse')

#训练模型
history = keras_model.fit(x, y, epochs=10)

#画出损失函数值的曲线
plt.plot(history.history['loss'])
plt.title('Model loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.show()

#预测
x_norm = keras.utils.normalize(x)
y_norm = keras.utils.normalize(y)
y_pred_norm = keras_model.predict(x_norm)

#将预测后的数据还原回原尺度
y_pred = y_pred_norm / np.linalg.norm(y_norm) * np.linalg.norm(y)
plt.plot(x, y, '.', label='data')
plt.plot(x, y_pred, 'r*', label='predicted')
plt.legend()
plt.show()

当将对数据进行归一化的两行代码注释后，运行代码，训练过程中的loss值会变得非常大，很难收敛，因为归一化可以将不同尺度的数据映射到同一尺度，使得模型更加稳定和收敛。如果不进行归一化，则模型可能会受到数据尺度大小的影响，导致模型表现不佳。