synthetic_data(true_w, true_b, 1000)

你可以使用以下代码来生成合成数据：

import numpy as np

def synthetic_data(true_w, true_b, num_examples):
    features = np.random.normal(0, 1, (num_examples, len(true_w)))
    labels = np.dot(features, true_w) + true_b
    labels += np.random.normal(0, 0.01, labels.shape)
    return features, labels

true_w = [2, -3.4]
true_b = 4.2
num_examples = 1000

features, labels = synthetic_data(true_w, true_b, num_examples)

在这个例子中，`true_w` 是一个包含两个元素的列表，表示线性模型的权重。`true_b` 是一个浮点数，表示线性模型的偏置。`num_examples` 是要生成的样本数。

函数 `synthetic_data` 首先生成具有标准正态分布的随机特征矩阵。然后，通过将特征矩阵与权重相乘，并加上偏置和一些服从标准正态分布的噪声，生成标签。最后，返回特征矩阵和标签。

在这个例子中，会生成1000个样本。你可以根据需要调整 `true_w`、`true_b` 和 `num_examples` 的值。