重构：修复线性回归梯度更新Bug、优化神经网络初始化与代码效率

[wutong88yuyu]

修改概述:

修改详细描述
1.修复Bug（错误修复）

src/chap02_linear_regression/linear_regression-tf2.0.py：

修正偏置不更新问题：原代码在tape.gradient和apply_gradients中只计算了权重w的微调，导致偏置b无法训练。现在修改为同时更新[model.w, model.b]。

图例显示，去掉了多余的修改“测试”标签。

src/chap03_SVM/svm.py：

修复维度匹配问题：在计算最小值时，给y增加了一个轴 ( np.newaxis) 以匹配X的维度，解决了广播错误。

2.模型收敛与训练优化（Optimization）

src/chap04_simple_neural_network/tutorial_minst_fnn-numpy-exercise.py：

优化权重初始化：将权重初始化的标准差从默认的1.0修改为scale=0.1。防止因初始权重过大导致的Softmax缓冲与陡消失，使模型训练更容易。

src/chap03_softmax_regression/softmax_regression-exercise.py：

更换优化器：将SGD更换为Adam优化器(LR=0.02)，显着加快收敛速度​​，分类边界更加稳定。

src/chap04_simple_neural_network/tutorial_minst_fnn-tf2.0-exercise.py：

调整学习率：针对全量数据训练，将Adam的学习率调整为0.01，加快收敛。

3. 代码重构与效率提升（Refactoring）

src/chap02_linear_regression/exercise-linear_regression.py：

利用 NumPy 广播 ( x ** np.arange(...)) 生成挖矿式特征，替代了高效的列表推导方式和concatenate操作，代码机制更简洁。

src/chap03_softmax_regression/logistic_regression-exercise.py：

使用tf.round进行二分类判别，替代了发音的tf.where/ones_like操作。

src/chap03_SVM/svm.py：

使用np.where简化了预测函数的逻辑。

经历过什么样的测试？
操作系统: Windows / Linux / macOS (请根据您的实际情况保留一个)

Python版本：Python 3.x、TensorFlow 2.x、NumPy

测试结果：

运行线性回归 TF2.0 版本，Loss 能够正常下降（偏置项 b 持续变化）。

运行FNN（NumPy版），模型在初始阶段不再出现损失居高不下难以恢复的情况。

各章节练习代码均无报错运行通过。

[donghaiwang]

截图中运行报错：没有安装tqdm
教材示例代码如无必要不需要修改