我用的是pytorch，并且需要把图片格式转变成能运行的格式，麻烦再改进一下

好的，如果您使用 PyTorch，您可以使用 `torchvision` 库中的 `ImageFolder` 和 `DataLoader` 类来读取和增强数据，然后将它们送入模型进行训练和测试。

import torch
import torchvision.transforms as transforms
from torchvision.datasets import ImageFolder
from torch.utils.data import DataLoader

# 设置训练集和测试集的路径和批次大小
train_dir = 'train'
test_dir = 'test'
batch_size = 32

# 定义数据增强的操作
train_transforms = transforms.Compose([
    transforms.RandomRotation(20),
    transforms.RandomResizedCrop(100),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
])

test_transforms = transforms.Compose([
    transforms.Resize(100),
    transforms.CenterCrop(100),
    transforms.ToTensor(),
    transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
])

# 读入训练集和测试集
train_data = ImageFolder(train_dir, transform=train_transforms)
test_data = ImageFolder(test_dir, transform=test_transforms)

train_loader = DataLoader(train_data, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_data, batch_size=batch_size, shuffle=True)

# 定义模型
model = torch.nn.Sequential(
    torch.nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1),
    torch.nn.ReLU(),
    torch.nn.MaxPool2d(kernel_size=2, stride=2),
    torch.nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1),
    torch.nn.ReLU(),
    torch.nn.MaxPool2d(kernel_size=2, stride=2),
    torch.nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1),
    torch.nn.ReLU(),
    torch.nn.Flatten(),
    torch.nn.Linear(64*25*25, 64),
    torch.nn.ReLU(),
    torch.nn.Linear(64, 12),
    torch.nn.Softmax(dim=1)
)

# 定义损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(10):
    for i, (images, labels) in enumerate(train_loader):
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

# 评估模型
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Test accuracy: %d %%' % (100 * correct / total))

这个代码使用 `ImageFolder` 和 `DataLoader` 类来读入训练集和测试集，并使用 `transforms` 模块中的函数来增强数据。然后定义了一个包含卷积层和全连接层的模型，使用交叉熵损失函数和 Adam 优化器进行训练。之后用测试集评估模型的准确率。最后输出测试准确率。

需要注意的是，这个代码只是一个简单的示例，并没有进行超参数的调整。如果您想要得到更好的结果，需要对代码进行更多的改进和优化。同时，如果您的图片不是标准的 RGB 格式，您可能需要对 `transforms` 中的参数进行修改。