利用pytorch库，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，这里给出一个利用PyTorch库构建神经网络预测鸢尾花种类的代码示例。

首先，我们需要导入必要的库：

import torch
import torch.nn as nn
import torch.optim as optim
import pandas as pd
from sklearn.model_selection import train_test_split

然后，读取iris.csv数据，并将其分成训练集和测试集：

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

# 将数据分成特征和标签
features = data.iloc[:, :-1].values
labels = data.iloc[:, -1].values

# 将标签转换为整数
label_to_int = {'Iris-setosa': 0, 'Iris-versicolor': 1, 'Iris-virginica': 2}
labels = [label_to_int[label] for label in labels]

# 将数据分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42)

接下来，我们需要定义神经网络模型：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(4, 16)
        self.fc2 = nn.Linear(16, 3)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

这是一个简单的两层全连接神经网络，输入层有4个神经元，输出层有3个神经元，中间层有16个神经元。我们使用ReLU作为激活函数。

然后，我们需要定义损失函数和优化器：

net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.01)

我们使用交叉熵损失作为损失函数，Adam优化器作为优化器。

接下来，我们可以开始训练模型了：

for epoch in range(100):
    running_loss = 0.0
    for i in range(len(X_train)):
        # 将数据转换为PyTorch张量
        inputs = torch.tensor(X_train[i], dtype=torch.float32)
        label = torch.tensor(y_train[i], dtype=torch.long)

        # 将梯度清零
        optimizer.zero_grad()

        # 前向传播
        outputs = net(inputs)

        # 计算损失
        loss = criterion(outputs.unsqueeze(0), label.unsqueeze(0))

        # 反向传播和优化
        loss.backward()
        optimizer.step()

        running_loss += loss.item()

    print('[Epoch %d] loss: %.3f' % (epoch + 1, running_loss / len(X_train)))

在每个epoch中，我们遍历训练集中的所有样本，将输入数据和标签转换为PyTorch张量，进行前向传播和反向传播，并更新网络参数。我们还计算了每个epoch的平均损失。

最后，我们可以使用测试集来评估模型表现：

# 在测试集上进行预测
y_pred = []
with torch.no_grad():
    for i in range(len(X_test)):
        inputs = torch.tensor(X_test[i], dtype=torch.float32)
        outputs = net(inputs)
        y_pred.append(torch.argmax(outputs).item())

# 计算总的准确率和不同类的准确率
total_acc = sum([1 if y_pred[i] == y_test[i] else 0 for i in range(len(y_test))]) / len(y_test)
class_acc = {}
for label in set(y_test):
    class_acc[label] = sum([1 if y_pred[i] == label and y_test[i] == label else 0 for i in range(len(y_test))]) / y_test.count(label)

print('总的准确率：%.3f' % total_acc)
print('不同类的准确率：', class_acc)

我们使用torch.no_grad()上下文管理器来禁用梯度计算，以加快预测速度。然后，我们计算了总的准确率和不同类的准确率。

完整的代码如下：