图片数据按三个文件夹已经分类好，用cnn进行训练分类，将训练代码显示

在使用卷积神经网络（CNN）对图片数据进行分类时，通常涉及以下步骤。这里提供一个基于Python的Keras库（TensorFlow的高级API）的基本训练框架示例：

首先，确保已安装必要的库：

pip install tensorflow keras numpy h5py

然后，假设你的数据结构如下：

data/
|-- train/
|   |-- class_1/
|   |   |-- img1.jpg
|   |   |-- img2.jpg
|   |   ...
|   |-- class_2/
|   |   ...
|-- validation/
|   |-- class_1/
|   |   ...
|   |-- class_2/
|-- model.h5 (保存模型)

下面是一个简单的训练代码片段：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 数据预处理
train_datagen = ImageDataGenerator(rescale=1./255) # 对图像归一化
validation_datagen = ImageDataGenerator(rescale=1./255)

# 训练和验证路径
train_dir = 'data/train'
val_dir = 'data/validation'

# 构建模型
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(128, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dense(num_classes, activation='softmax') # num_classes取决于你的类别数
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.categorical_crossentropy,
              metrics=['accuracy'])

# 加载数据并分批训练
batch_size = 32
epochs = 10

train_generator = train_datagen.flow_from_directory(
        train_dir,
        target_size=(img_height, img_width),
        batch_size=batch_size,
        class_mode='categorical')

validation_generator = validation_datagen.flow_from_directory(
        val_dir,
        target_size=(img_height, img_width),
        batch_size=batch_size,
        class_mode='categorical')

model.fit(train_generator,
          steps_per_epoch=len(train_generator),
          epochs=epochs,
          validation_data=validation_generator,
          validation_steps=len(validation_generator))

# 保存模型
model.save('data/model.h5')

别忘了替换 `img_height`, `img_width` 和 `num_classes` 为你实际的图像尺寸和类别数量。