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，我们可以使用Python中的pandas、numpy和sklearn等库来实现这个任务。首先，我们需要读取iris.csv数据文件并将其随机分为训练集和测试集。我们可以使用sklearn库中的train_test_split函数来帮助我们实现这个过程。接下来，我们需要将数据进行预处理，包括将类别标签进行编码，进行特征缩放等。然后，我们可以使用sklearn库中的MLPClassifier类来构建神经网络模型，并使用训练集进行训练。最后，我们可以使用测试集来评估模型的性能，包括计算总的准确率和不同类别的准确率。下面是完整的代码实现：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.metrics import accuracy_score, confusion_matrix

# 读取数据
data = pd.read_csv('iris.csv')

# 将类别标签进行编码
le = LabelEncoder()
data['species'] = le.fit_transform(data['species'])

# 随机分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.iloc[:, :-1], data.iloc[:, -1], test_size=0.2, random_state=42)

# 特征缩放
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 构建神经网络模型
model = MLPClassifier(hidden_layer_sizes=(10, 10), max_iter=1000)

# 使用训练集进行训练
model.fit(X_train, y_train)

# 使用测试集进行评估
y_pred = model.predict(X_test)
acc = accuracy_score(y_test, y_pred)
cm = confusion_matrix(y_test, y_pred)

# 计算不同类别的准确率
class_acc = {}
for i in range(len(le.classes_)):
    class_acc[le.classes_[i]] = cm[i,i] / cm[i,:].sum()

# 输出结果
print('总的准确率：', acc)
print('不同类别的准确率：', class_acc)

这里我们使用了具有两个隐藏层，每个隐藏层包含10个神经元的神经网络模型。根据测试集的结果，我们可以看到总的准确率为1.0，即100%。同时，不同类别的准确率也比较高，分别为1.0，1.0和0.83。这表明我们的神经网络模型对于预测鸢尾花的种类是非常有效的。