请用python写一个动物识别系统，训练集和测试集train = 'data/train' test = 'data/test'

为了创建一个简单的动物识别系统，我们可以使用Python的机器学习库如scikit-learn。这里我们假设数据是一个图像文件夹，每个类别对应一个子目录，并且有train和test两个文件夹分别存放训练集和测试集。我们将使用深度学习库TensorFlow和Keras来构建一个基于卷积神经网络（CNN）的基本模型。

首先，确保安装了必要的库：

pip install tensorflow numpy scikit-image keras

然后，可以编写一个基本的脚本来读取数据、预处理和训练模型：

import os
import numpy as np
from sklearn.model_selection import train_test_split
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 定义路径
train_dir = 'data/train'
test_dir = 'data/test'

# 图像大小调整（这里假设所有图片都是统一尺寸）
img_width, img_height = 150, 150
batch_size = 32
epochs = 10

# 数据增强
train_datagen = ImageDataGenerator(rescale=1./255,
                                   rotation_range=40,
                                   width_shift_range=0.2,
                                   height_shift_range=0.2,
                                   shear_range=0.2,
                                   zoom_range=0.2,
                                   horizontal_flip=True)

test_datagen = ImageDataGenerator(rescale=1./255)

# 训练集和验证集划分
training_set = train_datagen.flow_from_directory(train_dir,
                                                 target_size=(img_width, img_height),
                                                 batch_size=batch_size,
                                                 class_mode='categorical')

test_set = test_datagen.flow_from_directory(test_dir,
                                            target_size=(img_width, img_height),
                                            batch_size=batch_size,
                                            class_mode='categorical')

# 创建模型
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(img_width, img_height, 3)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(units=128, activation='relu'))
model.add(Dense(training_set.num_classes, activation='softmax')) # 类别数取决于训练集中有多少种动物

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

# 训练模型
model.fit(training_set, epochs=epochs, validation_data=test_set)

# 保存模型
model.save('animal_recognition_model.h5')

这个脚本创建了一个基础的卷积神经网络，并对训练集进行了数据增强以提高模型泛化能力。记住，实际项目中可能需要更大的数据集、更复杂的网络结构以及更多的优化步骤。训练完成后，你可以通过`model.evaluate(test_set)`来评估模型在测试集上的性能。