用python编写一个浅层（包含1到3隐层）的神经网络程序完成sklearn中鸢尾花数据集（isis）鸢尾花分类。要求： 1、损失函数用交叉熵函数 2、模型评价采用 分类精度 3、程序需要运行，且有输出结果

在Python中，我们可以使用Keras库，它是一个高级神经网络API，可以轻松构建包括1到3层的深度学习模型。这里我们使用鸢尾花数据集（Iris dataset）作为示例，该数据集已经在scikit-learn中内置。以下是创建一个简单的三层神经网络并进行训练的代码：

# 导入必要的库
from sklearn import datasets
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import to_categorical
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将类别标签转换为one-hot编码
num_classes = len(np.unique(y))
y_one_hot = to_categorical(y, num_classes)

# 创建一个顺序模型
model = Sequential()

# 添加输入层和隐藏层
model.add(Dense(16, input_dim=X.shape[1], activation='relu')) # 第一层隐藏层
model.add(Dense(8, activation='relu')) # 第二层隐藏层
model.add(Dense(num_classes, activation='softmax')) # 输出层

# 使用交叉熵作为损失函数
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 划分训练集和测试集
split_ratio = 0.8
train_size = int(len(X) * split_ratio)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y_one_hot[:train_size], y_one_hot[train_size:]

# 训练模型
history = model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=50, batch_size=10)

# 预测并计算分类精度
y_pred = model.predict_classes(X_test)
accuracy = accuracy_score(y_test.argmax(axis=1), y_pred)

print("Model accuracy on test set:", accuracy)

# 可视化训练过程中的损失和准确率变化
import matplotlib.pyplot as plt
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.plot(history.history['accuracy'], label='Training Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.legend()
plt.show()