深度置信网络实现鸢尾花数据分类预测，鸢尾花数据已下载只需调用，划分数据，并画出训练次数和交叉熵成本训练图

深度置信网络（Deep Belief Networks，DBNs）是一种深层次的无监督神经网络结构，常用于预训练模型，然后将其应用于有监督任务如鸢尾花分类。由于鸢尾花数据是结构化的数值型数据，我们需要对其进行适配，通常会转换为特征矩阵。

首先，你需要加载鸢尾花数据，并将它划分为训练集和测试集。在Python中，我们可以使用sklearn库：

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris

data = load_iris()
X = data.data
y = data.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

对于DBN，我们先构建无监督部分（预训练阶段），再将其转移到有监督层进行微调。这通常涉及到使用Gibbs采样等算法训练隐层表示。以下是使用Keras的DBN示例（注意这并非标准的DBN实现，因为Keras库更倾向于直接提供有监督的深度学习模型，如全连接网络）：

from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.layers.normalization import BatchNormalization
from keras.optimizers import Adam

def dbn_layer(hidden_nodes, learning_rate):
    dbn = Sequential()
    dbn.add(Dense(hidden_nodes, input_dim=X_train.shape[1]))
    dbn.add(BatchNormalization())
    dbn.add(Activation('relu'))
    
    dbn.add(Dropout(0.5))  # 此处的Dropout用于防止过拟合
    return dbn

# 创建DBN
dbn = Sequential()
dbn.add(dbn_layer(50, 0.001))
dbn.add(dbn_layer(50, 0.001))

# 冻结所有隐藏层，只训练最后一层
for layer in dbn.layers[:-1]:
    layer.trainable = False

# 添加监督层并微调整个模型
output_layer = dbn.add(Dense(len(np.unique(y_train)), activation='softmax'))  # 根据类别数设置输出节点
dbn.compile(loss='categorical_crossentropy', optimizer=Adam(), metrics=['accuracy'])

# 训练模型（这里简化，实际需要多轮迭代）
hist = dbn.fit(X_train, to_categorical(y_train), batch_size=32, epochs=50, validation_data=(X_test, to_categorical(y_test)))

# 画出训练损失和准确率
import matplotlib.pyplot as plt
plt.plot(hist.history['loss'], label='Training Loss')
plt.plot(hist.history['val_loss'], label='Validation Loss')
plt.title('Training and Validation Loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()

plt.figure()
plt.plot(hist.history['accuracy'], label='Training Accuracy')
plt.plot(hist.history['val_accuracy'], label='Validation Accuracy')
plt.title('Training and Validation Accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()