给我一个从本地加载的图片二分类cnn网络的代码，并绘制其roc曲线和混淆矩阵

在Python中，我们可以使用Keras库（它是TensorFlow的一个高级API）来创建一个简单的卷积神经网络（CNN）模型，用于图像二分类。这里是一个基本的例子：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
from sklearn.metrics import roc_curve, confusion_matrix, plot_confusion_matrix

# 加载本地数据集（假设我们已经有了训练集和测试集）
(x_train, y_train), (x_test, y_test) = datasets.cifar10.load_data()  # 用CIFAR-10数据集作为例子

# 数据预处理
x_train = x_train / 255.0
x_test = x_test / 255.0
y_train = tf.keras.utils.to_categorical(y_train, num_classes=10)
y_test = tf.keras.utils.to_categorical(y_test, num_classes=10)

# 创建CNN模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
history = model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

# 预测并计算ROC曲线
y_pred = model.predict(x_test)
y_pred_class = np.argmax(y_pred, axis=1)
fpr, tpr, _ = roc_curve(y_test.argmax(axis=1), y_pred[:, 1])  # 对于二分类问题，通常关注的是第二类的假正率和真正率

# 绘制ROC曲线
plt.plot(fpr, tpr)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic (ROC)')
plt.show()

# 计算混淆矩阵
conf_mat = confusion_matrix(y_test.argmax(axis=1), y_pred_class)
plot_confusion_matrix(model, x_test, y_test)
plt.show()

这个代码示例首先加载了CIFAR-10数据集，然后构建了一个简单的CNN模型进行图像二分类。之后，它训练模型并预测结果，接着计算并绘制ROC曲线以及生成混淆矩阵。