通过Keras调用CIFAR10数据集，使用Keras序列模型根据卷积神经网络的原理编程实现图像识别。 实验结果要求： （1） 编程实现两个卷积层及降采样层，分别为64通道和32通道的卷积神经网络，训练轮数为5轮，输出训练结果和测试集分类结果 （2） 调整模型参数，实现更高的准确率

好的，我会根据您的要求进行回答，首先需要先加载CIFAR10数据集，可以使用以下代码：

from tensorflow.keras.datasets import cifar10

(x_train, y_train), (x_test, y_test) = cifar10.load_data()

接下来，我们可以对数据进行预处理，将图像像素值归一化到0到1之间，并将标签进行One-hot编码。代码如下：

from tensorflow.keras.utils import to_categorical

x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)

接下来，我们可以使用Keras序列模型来搭建卷积神经网络模型，并训练模型。代码如下：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential()

model.add(Conv2D(64, (3, 3), padding='same', activation='relu', input_shape=x_train.shape[1:]))
model.add(Conv2D(64, (3, 3), padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3), padding='same', activation='relu'))
model.add(Conv2D(32, (3, 3), padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(512, activation='relu'))
model.add(Dense(10, activation='softmax'))

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

model.fit(x_train, y_train, epochs=5, batch_size=64, validation_data=(x_test, y_test))

在训练完成后，我们可以使用测试集数据对训练好的模型进行测试，并输出测试集的分类准确率。代码如下：

score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

如果需要调整模型参数，可以根据实验结果进行调整，例如增加卷积层或调整卷积核大小等。