建立一个传统文本二分类的卷积神经网络模型，首先对数据集进行读取，数据集分为lebal列和reveiw列，lebal列为标签，为0和1，作为分类标签，reveiw列为中文文本数据列，模型首先对数据集进行读取，随机抽取各分类的80%作为训练集，剩余为测试集，对于文本转换为数字数据则采取文本最大长度作为数据长度，其余不足长度的数据按0填充，卷积核尺寸为3，采用平均池化，一个全连接层进行二分类输出结果，模型共训练20轮，输出每轮训练的测试集和训练集的损失率和准确率结果并绘制折线图。基于pycharm对模型进行构建，给出相应代码

以下是基于PyCharm构建传统文本二分类的卷积神经网络模型的代码：

import numpy as np
import pandas as pd
import jieba
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Conv1D, GlobalMaxPooling1D, Embedding
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

# 读取数据集
data = pd.read_csv('data.csv')

# 分词
data['token_text'] = data['review'].apply(lambda x: list(jieba.cut(x)))

# 将词语转化为数字
max_words = 5000  # 词汇表大小
tokenizer = Tokenizer(num_words=max_words)  # 创建一个分词器tokenizer
tokenizer.fit_on_texts(data['token_text'])
sequences = tokenizer.texts_to_sequences(data['token_text'])  # 将文本转换为序列

# 获取文本最大长度
maxlen = max([len(x) for x in sequences])

# 对序列进行填充，使所有序列达到统一长度
X = pad_sequences(sequences, maxlen=maxlen)

# 构建标签数据
y = data['label'].values

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 构建卷积神经网络模型
model = Sequential()
model.add(Embedding(max_words, 128, input_length=maxlen))
model.add(Conv1D(64, 3, padding='valid', activation='relu', strides=1))
model.add(GlobalMaxPooling1D())
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 输出模型结构信息
model.summary()

# 训练模型
history = model.fit(X_train, y_train, batch_size=64, epochs=20, validation_data=(X_test, y_test))

# 绘制损失率和准确率变化曲线
plt.plot(history.history['loss'], label='train loss')
plt.plot(history.history['val_loss'], label='val loss')
plt.plot(history.history['accuracy'], label='train acc')
plt.plot(history.history['val_accuracy'], label='val acc')
plt.legend()
plt.show()

# 在测试集上评估模型
score = model.evaluate(X_test, y_test, batch_size=64)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

注意：以上代码适用于中文文本数据，需要使用jieba库对文本进行分词。如果是英文文本数据，则不需要分词处理。