要實現圖像的二分類，可以使用深度學習中的卷積神經網絡（Convolutional Neural
Network, CNN）模型。下面是一個使用Keras庫實現的簡單CNN模型示例：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense# 定義CNN模型
model = Sequential()# 添加卷積層和池化層
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))# 將卷積層的輸出展平
model.add(Flatten())# 添加全連接層和輸出層
model.add(Dense(128, activation='relu'))
model.add(Dense(1, activation='sigmoid'))# 編譯模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])# 訓練模型
model.fit(X_train, y_train, batch_size=32, epochs=10, validation_data=(X_test, y_test))# 評估模型
score = model.evaluate(X_test, y_test)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

這個示例中，我們首先定義了一個Sequential模型，并添加了三個卷積層和兩個最大池化層。然后，我們將卷積層的輸出展平，并添加了兩個全連接層和一個輸出層。最后，我們編譯模型，并在訓練集上進行訓練，然后在測試集上進行評估。

需要注意的是，這個示例中的輸入數據`X_train`、`y_train`、`X_test`和`y_test`需要根據具體的數據集進行替換。此外，還需要對模型進行調參以獲得更好的性能。