使用iris.csv数据构建神经网络预测花的种类：将所有数据随机分为训练集和测试集，分别计算测试集上总的准确率和不同类的准确率。

好的，我可以为您解答这个问题。首先，我们需要导入必要的库并读取数据集：

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
from keras.models import Sequential
from keras.layers import Dense

# 读取数据集
iris = pd.read_csv('iris.csv')

接着，我们需要对数据进行预处理。首先，我们需要将类别标签转换成数值，这里我们使用 `LabelEncoder`：

# 将类别标签转换成数值
le = LabelEncoder()
iris['species'] = le.fit_transform(iris['species'])

然后，我们需要将数据集随机分为训练集和测试集，比例为 7:3：

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.iloc[:, :-1], iris.iloc[:, -1], test_size=0.3, random_state=42)

接着，我们需要构建神经网络模型。这里我们使用 `Sequential` 模型，并添加两个隐藏层和一个输出层：

# 构建神经网络模型
model = Sequential()
model.add(Dense(units=16, input_dim=4, activation='relu'))
model.add(Dense(units=8, activation='relu'))
model.add(Dense(units=3, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

然后，我们需要将类别标签转换成 one-hot 编码，这里我们使用 Keras 中的 `to_categorical` 函数：

# 将类别标签转换成 one-hot 编码
y_train = pd.get_dummies(y_train).values
y_test = pd.get_dummies(y_test).values

接着，我们可以训练模型并在测试集上进行预测和评估：

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

# 在测试集上进行预测和评估
y_pred = np.argmax(model.predict(X_test), axis=-1)
y_true = np.argmax(y_test, axis=-1)
acc = np.mean(y_pred == y_true)
class_acc = []
for i in range(3):
    class_acc.append(np.mean(y_pred[y_true == i] == i))

# 打印结果
print('总的准确率：', acc)
print('不同类的准确率：', class_acc)

这样就完成了使用神经网络预测 iris 数据集中花的种类的任务。