使用Keras建立一个卷积神经网络模型，并使用训练数据进行训练

好的，以下是一个使用Keras建立卷积神经网络模型并进行训练的基本示例代码：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 创建卷积神经网络模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))

# 将模型展平以便连接全连接层
model.add(Flatten())

# 添加全连接层
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))

# 编译模型
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 加载训练数据
train_images = ...
train_labels = ...

# 训练模型
model.fit(train_images, train_labels, epochs=5, batch_size=64)

这个模型包含三个卷积层和两个全连接层。在训练之前，需要加载训练数据，并将其传递给 `fit` 方法。在这个示例中，我们使用了一个简单的MNIST手写数字数据集，其中包含60,000个28x28像素的灰度图像。