尝试搭建CNN模型，使⽤给定数据集实现情绪识别。在给定根目录中有文件夹test和train，train文件夹中有angry、disgusted、fearful、happy、neutral、sad和surprised文件夹，每个文件夹中都有4000张和文件夹名相同的情绪图片，图片的分辨率为48*48。test文件夹中有7000张用于测试的图片。请根据上面内容写出这段代码。

好的，下面是一个使用给定数据集实现情绪识别的CNN模型搭建和训练的代码示例：

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 设置训练和测试数据的路径
train_dir = 'train/'
test_dir = 'test/'

# 定义图像数据生成器
train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,
    fill_mode='nearest'
)

test_datagen = ImageDataGenerator(rescale=1./255)

# 加载训练和测试数据
train_generator = train_datagen.flow_from_directory(
    train_dir,
    target_size=(48, 48),
    batch_size=32,
    color_mode='grayscale',
    class_mode='categorical'
)

test_generator = test_datagen.flow_from_directory(
    test_dir,
    target_size=(48, 48),
    batch_size=32,
    color_mode='grayscale',
    class_mode='categorical'
)

# 构建CNN模型
model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(48, 48, 1)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Dense(7, activation='softmax')
])

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

# 训练模型
model.fit(train_generator,
          epochs=50,
          validation_data=test_generator)

# 在测试集上评估模型性能
test_loss, test_acc = model.evaluate(test_generator)
print('Test accuracy:', test_acc)

这段代码和前面的示例非常相似，只需稍作修改即可适应新的数据集。根据题目要求，我们将图像的分辨率设置为48x48，并使用了“grayscale”颜色模式。其他部分的代码与前面的示例基本相同，包括数据生成器、CNN模型、编译模型、训练模型和测试模型等。需要注意的是，在训练过程中，我们仍然使用了数据增强技术来增加数据的多样性。最后在测试集上评估模型的性能，并输出测试准确率。

需要注意的是，上面的代码仅供参考，实际应用中可能需要根据实际情况进行调整和优化。