1)正确读取数据集，并按照8:2的比例划分训练集和测试集(5分)； 2)按照下面的要求构建模型，网络模型中前六层结构和顺序要求如下:(20分) ①第一层:卷积层，卷积核大小为3 * 3，卷积核数目为16； ②第二层:池化层，2 * 2区域进行最大池化； ③第三层:Drop层：0.5; ④第四层:卷积层，卷积核大小为3 * 3，卷积核数目为32； ⑤第五层:池化层，2 * 2区域进行最大池化； ⑥第六层:Drop层，0.5;

好的，我了解了您的问题。对于第一个问题，您需要读取数据集并按照8:2的比例划分训练集和测试集。您可以使用Python中的sklearn库中的train_test_split函数来实现，代码如下：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42)

其中，features是特征数据集，labels是标签数据集，test_size是测试集比例，random_state是随机种子。

对于第二个问题，您需要按照要求构建模型，网络模型中前六层结构和顺序如下：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Dropout, Flatten, Dense

model = Sequential()

# 第一层：卷积层，卷积核大小为3 * 3，卷积核数目为16
model.add(Conv2D(16, (3, 3), activation='relu', input_shape=(width, height, channels)))

# 第二层：池化层，2 * 2区域进行最大池化
model.add(MaxPooling2D(pool_size=(2, 2)))

# 第三层：Drop层，0.5
model.add(Dropout(0.5))

# 第四层：卷积层，卷积核大小为3 * 3，卷积核数目为32
model.add(Conv2D(32, (3, 3), activation='relu'))

# 第五层：池化层，2 * 2区域进行最大池化
model.add(MaxPooling2D(pool_size=(2, 2)))

# 第六层：Drop层，0.5
model.add(Dropout(0.5))

其中，width、height、channels分别表示图像的宽、高、通道数。您可以根据实际情况进行修改。后续层的构建根据您的任务而定。