编写python程序：基于firedataltraining sets 数据，根据提供的结构，建立CNN模型识别图片中的有火/无火状态，计算预测准确率，画出准确率曲线1.识别图片中的有火/无火，计算firedataltest sets测试数据预测准确率2.从网站下载相关图片，对其进行预测3.训练集和测试集准确率均在90%以上。除了编写相关程序之外，还需要配置什么环境

非常感谢您的问题！以下是可能需要的步骤和环境配置：

步骤：

1. 加载firedataltraining sets数据集和firedataltest sets测试数据集。
2. 进行数据预处理，包括图像缩放和标准化。
3. 建立CNN模型并进行训练。
4. 在firedataltest sets测试数据集上评估模型的准确率。
5. 从网站下载相关图片，对其进行预测。
6. 画出准确率曲线。

环境配置：

1. 安装Python 3.x。
2. 安装TensorFlow或Keras等深度学习框架。
3. 安装NumPy、Pandas、Matplotlib等科学计算和数据可视化库。
4. 准备GPU加速环境（非必需）。

以下是一个基本的Python程序，可用于建立CNN模型并在firedataltest sets测试数据集上评估其准确率：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

# 加载数据集
(train_images, train_labels), (test_images, test_labels) = datasets.firedatal.load_data()

# 数据预处理
train_images = train_images / 255.0
test_images = test_images / 255.0

# 构建模型
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.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

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

# 训练模型
history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

# 评估模型
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

# 画出准确率曲线
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()

您可以将此程序作为起点，并根据您的具体需求进行修改和调整。如果您遇到了任何问题或需要更详细的指导，请随时联系我。