请完善以下代码构建图像识别网络，并使其满足数据库要求训练数据包含15种，每种25个，合计3750个样本，图像大小为28*28的灰度图像。import numpy as np import cv2 import os dirPath = "./testDataOrg/" totNum=0 if os.path.isdir(dirPath): fileList = os.listdir(dirPath) for f in fileList: nn1 = f.rfind(',')+1 nn2 = f.find('}',nn1) label = int(f[nn1:nn2])#图像标签 1到11对应”零“到”十“，12到15对应”百“，”千“，”万“，”亿“。 print(f, label) totNum += 1 fi = dirPath+f img = cv2.imread(fi)#图像数据 cv2.imshow("img", cv2.resize(img, (300, 300))) cv2.waitKey(0) print("图像数量：",totNum)

首先，需要构建一个卷积神经网络（CNN）来进行图像识别。代码如下：

import tensorflow as tf
from tensorflow.keras import layers

model = tf.keras.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(15, activation='softmax')
])

这个CNN共有3层卷积层和2层全连接层。第一层卷积层有32个3x3大小的卷积核，激活函数为ReLU，输入图片大小为28x28。第一层池化层使用2x2大小的池化核。第二层卷积层有64个3x3大小的卷积核，激活函数为ReLU。第二层池化层也使用2x2大小的池化核。最后通过Flatten层将卷积层的输出展平，然后连接两个全连接层。最后一层使用softmax作为激活函数，输出15个类别的概率。

接下来，需要读取数据集并进行预处理。代码如下：

import numpy as np 
import cv2 
import os 

dirPath = "./testDataOrg/"  
totNum = 0 
images = []
labels = []

if os.path.isdir(dirPath):     
    fileList = os.listdir(dirPath)     
    for f in fileList:         
        nn1 = f.rfind(',')+1         
        nn2 = f.find('}',nn1)         
        label = int(f[nn1:nn2])   #图像标签 1到11对应”零“到”十“，12到15对应”百“，”千“，”万“，”亿“。         
        print(f, label)         
        totNum += 1         
        fi = dirPath+f         
        img = cv2.imread(fi)     #读取图像数据
        img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)   #转换为灰度图像
        img = cv2.resize(img, (28, 28))   #缩放图像大小为28x28
        img = np.expand_dims(img, axis=-1)   #扩展一维，将其转换为4D张量，便于CNN输入
        images.append(img)
        labels.append(label-1)   #将标签从1到15转换为0到14

X_train = np.array(images)
y_train = np.array(labels)

print("图像数量：", totNum)

这段代码读取数据集目录下的所有图像文件，解析文件名中的标签，并将图像数据进行预处理，包括转换为灰度图像、缩放为28x28大小，并将其转换为4D张量。同时，将标签从1到15转换为0到14，并将图像数据和标签保存在X_train和y_train中。

最后，需要对数据集进行归一化处理。代码如下：

X_train = X_train.astype('float32') / 255.0

这段代码将所有图像像素值除以255，将其归一化到0到1之间。

至此，数据集准备工作完成。可以使用以下代码编译和训练模型：

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10, batch_size=32)

这段代码使用Adam优化器和sparse_categorical_crossentropy作为损失函数，编译模型。然后使用X_train和y_train进行训练，训练10个epochs，每个batch包含32个样本。

训练完成后，可以使用以下代码对模型进行评估：

test_loss, test_acc = model.evaluate(X_test, y_test)
print('Test accuracy:', test_acc)

其中X_test和y_test是测试集数据和标签，用于评估模型的性能。