有一个文件夹，文件夹的路径为D:\wjd，里面有有八个类别的图片，它们分别是Al，Ag, Cu,Au,Mo,W,V,Ta就想找一种无监督方法识别图片的特征把这8大小类分为两大类，这两大类分别是FCC和BCC,最后显示这两个大类有哪几种小类

这个问题可以通过使用深度学习技术中的卷积神经网络（CNN）来解决。CNN是一种可以从原始图像数据中学习特征的深度学习模型，可以用于图像分类、目标检测等任务。

具体操作步骤如下：

1. 加载数据集

首先，你需要加载数据集，将图像转换为数字格式，并将其划分为训练集和测试集。你可以使用Python中的PIL库或OpenCV库来加载和处理图像。

2. 定义CNN模型

接下来，你需要定义一个CNN模型来学习图像特征并进行分类。模型通常由卷积层、池化层和全连接层组成。你可以使用Keras或PyTorch等深度学习框架来定义模型。

3. 训练模型

一旦你定义了CNN模型，就可以使用训练集来训练模型。你可以使用随机梯度下降（SGD）或Adam等优化算法来优化模型，并使用交叉熵损失函数来计算误差。

4. 评估模型

训练模型后，你需要使用测试集来评估模型的性能。你可以计算模型的准确率、精确度、召回率和F1得分等指标来评估模型的性能。

5. 进行预测

一旦你训练好了CNN模型，就可以使用它来预测新的图像。你可以将新图像输入到模型中，并使用softmax函数来计算每个类别的概率分布。最终，模型将返回概率最高的类别。

至于如何将这8个小类别分为FCC和BCC两个大类别，可以根据它们的晶格类型进行分类。你可以手动检查每个小类别的晶格类型，并将它们分为FCC和BCC两个大类别。或者，你可以将这个问题视为一个聚类问题，并使用K均值聚类或其他聚类算法将它们分为FCC和BCC两个簇。

最后，你可以使用PCA或t-SNE等降维技术将图像特征可视化，并查看FCC和BCC两个大类别中的小类别分布情况。