使用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。

好的，首先我们需要加载波士顿房价数据集。可以使用Scikit-learn库中的load_boston函数来加载数据。接下来，我们将数据集分为训练集，验证集和测试集，比例为6:2:2。

from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split

# 加载数据集
boston = load_boston()

# 分割数据集
X_trainval, X_test, y_trainval, y_test = train_test_split(boston.data, boston.target, test_size=0.2, random_state=42)
X_train, X_val, y_train, y_val = train_test_split(X_trainval, y_trainval, test_size=0.25, random_state=42)

print("训练集大小：", X_train.shape[0])
print("验证集大小：", X_val.shape[0])
print("测试集大小：", X_test.shape[0])

接下来，我们可以构建线性回归模型。在TensorFlow2.0中，可以使用tf.keras.Sequential()来构建模型。我们只需要添加一层全连接层即可。同时，我们也需要设置模型的优化器和损失函数。

import tensorflow as tf
from tensorflow.keras import layers

# 构建模型
model = tf.keras.Sequential([
    layers.Dense(1, input_shape=[X_train.shape[1]])
])

# 设置优化器和损失函数
optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)
loss_fn = tf.keras.losses.mean_squared_error

接下来，我们可以使用交叉验证来评估模型。在TensorFlow2.0中，可以使用Keras的cross_val_score()函数来进行交叉验证。我们需要指定模型、优化器、损失函数和评估指标。

from tensorflow.keras.wrappers.scikit_learn import KerasRegressor
from sklearn.model_selection import cross_val_score

# 封装模型
def build_model():
    model = tf.keras.Sequential([
        layers.Dense(1, input_shape=[X_train.shape[1]])
    ])
    optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)
    model.compile(loss='mse', optimizer=optimizer, metrics=['mae'])
    return model

# 交叉验证
estimator = KerasRegressor(build_fn=build_model, epochs=100, batch_size=10, verbose=0)
scores = cross_val_score(estimator, X_trainval, y_trainval, cv=10)
print("交叉验证结果：", scores.mean())

接下来，我们可以训练模型，并在验证集上进行评估。在每个epoch结束后，我们可以通过检查验证集上的损失来判断模型是否过拟合。

# 训练模型
history = model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=100, verbose=0)

# 评估模型
loss, mae = model.evaluate(X_val, y_val)
print("验证集上的损失：", loss)

接下来，我们可以保存模型。

# 保存模型
model.save("linear_regression_model.h5")

最后，我们可以使用训练好的模型来预测新数据。

# 加载模型
model = tf.keras.models.load_model("linear_regression_model.h5")

# 预测新数据
new_data = [[0.1, 10, 5, 0, 0.4, 6, 50, 5, 4, 300, 15, 400, 20]]
prediction = model.predict(new_data)
print("预测结果：", prediction[0][0])