将训练和验证的代码改为简单的代码

为了简化训练和验证的代码，我们可以使用一些常用的深度学习框架（如 TensorFlow 或 PyTorch）来构建一个基本的卷积神经网络（CNN），并进行训练和验证。以下是一个简化的示例代码：

### 简化后的训练和验证代码

#### 导入必要的库

import os
import json
import numpy as np
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from sklearn.model_selection import train_test_split

#### 加载数据

def load_data(data_dir, label_file):
    with open(label_file, 'r') as f:
        labels = json.load(f)
    
    images = []
    image_labels = []
    
    for filename, label in labels.items():
        img_path = os.path.join(data_dir, filename + '.png')
        img = tf.keras.preprocessing.image.load_img(img_path, target_size=(64, 64))
        img_array = tf.keras.preprocessing.image.img_to_array(img) / 255.0
        images.append(img_array)
        image_labels.append(label)
    
    return np.array(images), np.array(image_labels)

train_images, train_labels = load_data('peach-split/train', 'train_label.json')
val_images, val_labels = load_data('peach-split/val', 'val_label.json')

#### 构建模型

def build_model():
    model = tf.keras.Sequential([
        tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 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.Flatten(),
        tf.keras.layers.Dense(128, activation='relu'),
        tf.keras.layers.Dropout(0.5),
        tf.keras.layers.Dense(4, activation='softmax')
    ])
    
    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
    return model

model = build_model()

#### 训练模型

history = model.fit(
    train_images, train_labels,
    epochs=10,
    batch_size=32,
    validation_data=(val_images, val_labels)
)

#### 评估模型

test_images, test_labels = load_data('peach-split/test', 'test_label.json')

loss, accuracy = model.evaluate(test_images, test_labels)
print(f'Test Accuracy: {accuracy:.4f}')

#### 预测测试集

predictions = model.predict(test_images)
predicted_labels = np.argmax(predictions, axis=1)

# 保存预测结果到 CSV 文件
import pandas as pd

submission = pd.DataFrame({'filename': [f'{i:04d}.png' for i in range(len(test_images))], 'label': predicted_labels})
submission.to_csv('submission.csv', index=False)

### 解释
1. **加载数据**：从指定目录读取图像和标签，并将图像转换为数组。
2. **构建模型**：定义一个简单的 CNN 模型，包括几个卷积层、池化层、全连接层和 dropout 层。
3. **训练模型**：使用训练数据对模型进行训练，并在验证集上进行验证。
4. **评估模型**：在测试集上评估模型的性能。
5. **预测测试集**：生成测试集的预测结果，并保存到 CSV 文件中。

这个简化版本的代码可以帮助你快速上手，进一步的优化和调整可以根据实际需求进行。