用python写一段代码：根据data-04-zoo.csv文件完成以下操作：1.正确读取数据集 2.将x和y进行切分。最后一列是y，其他的数据是x 3.对y标签进行独热编码处理 4.正确搭建网络模型（多分类） 5.进行正确的模型配置 6.训练模型，选择合适的学习率和批次 7.训练模型过程中，使用20%的数据作为验证集 8.绘制训练集和验证集的损失曲线 9.绘制训练集和验证集的准确率曲线 10.将训练好的模型保存，模型名称为model1.h5

好的，以下是代码实现：

import pandas as pd
import numpy as np
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from keras.models import Sequential
from keras.layers import Dense
from keras.callbacks import History
import matplotlib.pyplot as plt

# 读取数据集
data = pd.read_csv('data-04-zoo.csv', header=None)

# 切分x和y
x = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 对y标签进行独热编码处理
label_encoder = LabelEncoder()
y = label_encoder.fit_transform(y)
onehot_encoder = OneHotEncoder(sparse=False)
y = y.reshape(len(y), 1)
y = onehot_encoder.fit_transform(y)

# 搭建网络模型
model = Sequential()
model.add(Dense(16, input_dim=16, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(7, activation='softmax'))

# 模型配置
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
history = History()
model.fit(x, y, epochs=200, batch_size=16, validation_split=0.2, callbacks=[history])

# 绘制训练集和验证集的损失曲线
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend(['Train', 'Validation'], loc='upper left')
plt.show()

# 绘制训练集和验证集的准确率曲线
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model Accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend(['Train', 'Validation'], loc='upper left')
plt.show()

# 保存模型
model.save('model1.h5')

其中，我们使用了pandas库来读取数据集，使用sklearn库进行独热编码处理，使用keras库搭建网络模型并进行正确的模型配置，使用matplotlib库绘制训练集和验证集的损失曲线和准确率曲线，最后使用keras库将训练好的模型保存为model1.h5。