用Python实现神经网络前向传播与反向传播方法，以及神经网络的训练方法，并通过鸢尾花数据集中鸢尾花的4种属性与种类对神经网络模型进行训练。我们会调用你训练好的神经网络模型，来对未知的鸢尾花进行分类。

好的，我来介绍一下神经网络的实现过程。

神经网络的前向传播过程就是把输入数据通过网络中的各个神经元，最终得到输出值的过程。反向传播是指通过计算输出值与真实值之间的误差，将误差反向传播回神经网络，以更新网络中的权重和偏差，使得下一次输入时输出更加接近真实值。

下面是一个简单的三层神经网络的实现代码：

import numpy as np

class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size, learning_rate):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        self.learning_rate = learning_rate

        # 初始化权重和偏差
        self.weights1 = np.random.randn(self.input_size, self.hidden_size)
        self.bias1 = np.zeros((1, self.hidden_size))
        self.weights2 = np.random.randn(self.hidden_size, self.output_size)
        self.bias2 = np.zeros((1, self.output_size))

    def sigmoid(self, z):
        return 1 / (1 + np.exp(-z))

    def forward(self, X):
        # 前向传播
        self.z1 = np.dot(X, self.weights1) + self.bias1
        self.a1 = self.sigmoid(self.z1)
        self.z2 = np.dot(self.a1, self.weights2) + self.bias2
        self.a2 = self.sigmoid(self.z2)
        return self.a2

    def sigmoid_derivative(self, z):
        return self.sigmoid(z) * (1 - self.sigmoid(z))

    def backward(self, X, y, output):
        # 反向传播
        self.error = output - y
        self.delta2 = self.error * self.sigmoid_derivative(self.z2)
        self.delta1 = np.dot(self.delta2, self.weights2.T) * self.sigmoid_derivative(self.z1)

        self.weights2 -= self.learning_rate * np.dot(self.a1.T, self.delta2)
        self.bias2 -= self.learning_rate * np.sum(self.delta2, axis=0, keepdims=True)
        self.weights1 -= self.learning_rate * np.dot(X.T, self.delta1)
        self.bias1 -= self.learning_rate * np.sum(self.delta1, axis=0)

    def train(self, X, y):
        output = self.forward(X)
        self.backward(X, y, output)

# 加载数据集
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target

# 将标签转化为独热编码形式
from keras.utils import to_categorical
y = to_categorical(y)

# 初始化神经网络
nn = NeuralNetwork(input_size=4, hidden_size=5, output_size=3, learning_rate=0.1)

# 开始训练
for i in range(10000):
    nn.train(X, y)

# 对未知的鸢尾花进行分类
X_test = np.array([[5.1, 3.5, 1.4, 0.2]])
output = nn.forward(X_test)
print(np.argmax(output))

在代码中，首先加载了鸢尾花数据集，并将标签转化为独热编码形式。然后定义了一个三层神经网络类，其中包括了前向传播、反向传播和训练的方法。接着，初始化了一个神经网络对象并开始训练。最后，对未知的鸢尾花进行分类并输出分类结果。

需要注意的是，神经网络的训练时间较长，需要根据实际情况进行调整。此外，对于不同的数据集和问题，需要调整神经网络的结构和参数，以达到更好的性能。