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

以下是代码实现：

import pandas as pd
import numpy as np
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam
import matplotlib.pyplot as plt

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

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

# 3. 独热编码处理
label_encoder = LabelEncoder()
y = label_encoder.fit_transform(y)
one_hot_encoder = OneHotEncoder(sparse=False)
y = one_hot_encoder.fit_transform(y.reshape(-1, 1))

# 4. 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'))

# 5. 模型配置
adam = Adam(lr=0.01)
model.compile(loss='categorical_crossentropy', optimizer=adam, metrics=['accuracy'])

# 6. 训练模型
X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)
history = model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=100, batch_size=16)

# 7. 使用20%的数据作为验证集

# 8. 绘制损失曲线
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='upper right')
plt.show()

# 9. 绘制准确率曲线
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'Test'], loc='lower right')
plt.show()

# 10. 保存模型
model.save('model1.h5')

需要注意的是，以上代码需要使用Keras框架，需要先安装Keras和TensorFlow。