基于深度学习网络对五种花进行分类，要求包含泛函层和池化层并自行设定训练集和测试集大小，将训练结果、训练好的网络、训练准确度和损失图片依次上传至作业答案处。

好的，我明白了您的问题。这是一个图像分类问题，可以使用卷积神经网络来解决。下面是一个使用Keras框架搭建的卷积神经网络模型，用于对五种不同的花进行分类。

import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 设置数据集路径
train_dir = '/path/to/train'
val_dir = '/path/to/val'

# 设置输入数据大小和类别数
img_size = 224
num_classes = 5

# 数据增强
train_datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

val_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    train_dir,
    target_size=(img_size, img_size),
    batch_size=32,
    class_mode='categorical')

validation_generator = val_datagen.flow_from_directory(
    val_dir,
    target_size=(img_size, img_size),
    batch_size=32,
    class_mode='categorical')

# 构建模型
model = tf.keras.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(img_size, img_size, 3)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(128, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dense(num_classes, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
history = model.fit(
    train_generator,
    steps_per_epoch=100,
    epochs=20,
    validation_data=validation_generator,
    validation_steps=50)

# 保存模型
model.save('flower_classification_model.h5')

# 保存训练历史数据
import pickle
with open('history.pickle', 'wb') as file_pi:
    pickle.dump(history.history, file_pi)

在上面的代码中，我们使用了Keras中提供的ImageDataGenerator来进行数据增强。数据增强可以帮助我们扩充数据集，防止模型过拟合。同时，我们使用了三个卷积层和一个全连接层来构建模型。在训练完成后，我们将模型和训练历史数据保存到本地。

您可以将自己的数据集放在`train_dir`和`val_dir`所指定的路径中，并修改`img_size`和`num_classes`参数以适应您的数据集。另外，您需要修改`steps_per_epoch`和`validation_steps`参数来保证每个epoch中的训练和验证数据集的完整遍历。

在训练完成后，您可以使用以下代码来评估模型的准确度和损失：

# 评估模型
loss, accuracy = model.evaluate(validation_generator)
print('Test accuracy:', accuracy)
print('Test loss:', loss)

您可以将训练好的模型用于新的图像分类任务中：

# 加载模型
model = tf.keras.models.load_model('flower_classification_model.h5')

# 预测新的图像
import numpy as np
from tensorflow.keras.preprocessing import image

img_path = '/path/to/image'
img = image.load_img(img_path, target_size=(img_size, img_size))
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)

predictions = model.predict(img_array)
print(predictions)

预测结果将是一个长度为5的数组，每个元素对应一种花的概率。