1）从sklearn.datasets数据集中加载鸢尾花数据集。 （2）由于原始数据有一定顺序，顺序不打乱会影响准确率，因此采用 seed 方法生成随机数用的整数起始值，并采用 shuffle 方法随机打乱数据集。 （3）将数据集划分训练集和测试集，训练集为前 120 行，测试集为后 30 行。 （4）将图像数据类型转换为 float32。 （5）构建尾花分类网络并对其进行编译。 （6）对编译好的分类网络进行训练。 （7）对模型进行评估。

答案：

1）可以使用以下代码加载鸢尾花数据集：

from sklearn.datasets import load_iris
iris = load_iris()

2）可以使用以下代码生成随机数起始值并打乱数据集：

import numpy as np
np.random.seed(42)
indices = np.random.permutation(len(iris.data))
x_data = iris.data[indices]
y_data = iris.target[indices]

3）可以使用以下代码将数据集划分为训练集和测试集：

x_train = x_data[:120]
y_train = y_data[:120]
x_test = x_data[120:]
y_test = y_data[120:]

4）可以使用以下代码将图像数据类型转换为 float32：

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

5）可以使用以下代码构建鸢尾花分类网络并对其进行编译：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

model = Sequential([
Dense(8, activation='relu', input_shape=(4,)),
Dense(3, activation='softmax')
])

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

6）可以使用以下代码对编译好的分类网络进行训练：

model.fit(x_train, y_train, epochs=100, batch_size=16, verbose=0)

7）可以使用以下代码对模型进行评估：

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