用tensorflow 构建一种图像识别模型。 1、数据集不限：鸢尾花iris数据集、猫狗数据集、当然也可以是自建数据集（如水果图片、交通标识、斑马线检测、涂鸦识别等） 2、模型不限：多层神经网络、全连接神经网络、卷积神经网络模型等等。

好的，我可以提供一个简单的例子，使用卷积神经网络（CNN）对猫狗数据集进行图像分类。

首先，我们需要导入必要的库和数据集：

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

train_datagen = ImageDataGenerator(rescale=1./255)
valid_datagen = ImageDataGenerator(rescale=1./255)

train_dir = '/path/to/train/directory'
valid_dir = '/path/to/validation/directory'

train_generator = train_datagen.flow_from_directory(
    train_dir,
    target_size=(150, 150),
    batch_size=20,
    class_mode='binary')

valid_generator = valid_datagen.flow_from_directory(
    valid_dir,
    target_size=(150, 150),
    batch_size=20,
    class_mode='binary')

接下来，我们可以定义我们的模型：

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(150, 150, 3)),
    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.Conv2D(128, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

这是一个基本的CNN模型，包含4个卷积层，4个最大池化层和2个全连接层。最后一层使用sigmoid激活函数，因为我们的数据集只有两个类别：猫和狗。

接下来，我们可以编译和训练模型：

model.compile(loss='binary_crossentropy',
              optimizer=tf.keras.optimizers.RMSprop(lr=1e-4),
              metrics=['acc'])

history = model.fit_generator(
      train_generator,
      steps_per_epoch=100,
      epochs=100,
      validation_data=valid_generator,
      validation_steps=50,
      verbose=2)

我们使用二元交叉熵作为损失函数，使用RMSprop优化器进行训练，同时记录准确率作为评估指标。

最后，我们可以使用测试数据对模型进行评估：

test_dir = '/path/to/test/directory'
test_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow_from_directory(
    test_dir,
    target_size=(150, 150),
    batch_size=20,
    class_mode='binary')
test_loss, test_acc = model.evaluate_generator(test_generator, steps=50)
print('test acc:', test_acc)

这是一个简单的CNN模型，可以用于对猫狗数据集进行分类。当然，我们可以根据需要对模型进行修改和优化，以获得更好的性能。