python深度学习代码编写并写出详细步骤，要求如下：应用keras构建CNN神经网络进行CIFAR100类别分类 进行模型编写 两层卷积层+两个神经网络层(这里的网络设定不固定,可以自己设计) 网络设计： 第一层 卷积：32个filter、大小5*5、strides=1、padding="SAME" 激活：Relu 池化：大小2x2、strides2 第一层 卷积：64个filter、大小55、strides=1、padding="SAME" 激活：Relu 池化：大小2*2、strides2 全连接层 第一层 1024个神经元 第二层 100个神经元 模型进行训练(训练次数最少5次) 打印训练结果和准确率

以下是使用Keras构建CNN神经网络进行CIFAR100类别分类的代码，详细步骤已经在注释中说明：

# 导入必要的库
import keras
from keras.datasets import cifar100
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D
from keras.optimizers import SGD
from keras.utils import to_categorical

# 加载CIFAR-100数据集
(x_train, y_train), (x_test, y_test) = cifar100.load_data(label_mode='fine')

# 将标签转换为one-hot编码
y_train = to_categorical(y_train, 100)
y_test = to_categorical(y_test, 100)

# 将像素值缩放到0-1范围内
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

# 创建模型
model = Sequential()

# 添加第一层卷积层，32个filter，大小5*5，strides=1，padding="SAME"，激活函数为Relu
model.add(Conv2D(32, (5, 5), strides=(1, 1), padding='same', activation='relu', input_shape=(32, 32, 3)))

# 添加第一层池化层，大小2*2，strides=2
model.add(MaxPooling2D((2, 2), strides=(2, 2)))

# 添加第二层卷积层，64个filter，大小5*5，strides=1，padding="SAME"，激活函数为Relu
model.add(Conv2D(64, (5, 5), strides=(1, 1), padding='same', activation='relu'))

# 添加第二层池化层，大小2*2，strides=2
model.add(MaxPooling2D((2, 2), strides=(2, 2)))

# 添加Flatten层将数据展平
model.add(Flatten())

# 添加第一层全连接层，神经元个数为1024，激活函数为Relu
model.add(Dense(1024, activation='relu'))

# 添加Dropout层避免过拟合
model.add(Dropout(0.5))

# 添加第二层全连接层，神经元个数为100，激活函数为softmax
model.add(Dense(100, activation='softmax'))

# 定义SGD优化器，学习率为0.01
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)

# 编译模型，损失函数为交叉熵，优化器为SGD，评价指标为准确率
model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

# 训练模型，训练5轮，批量大小为32
model.fit(x_train, y_train, epochs=5, batch_size=32, validation_data=(x_test, y_test))

# 打印测试结果和准确率
loss, accuracy = model.evaluate(x_test, y_test)
print('Test loss:', loss)
print('Test accuracy:', accuracy)

在训练过程中，将会输出损失和准确率等信息。训练完毕后，将会输出测试结果和准确率。