在tensorflow 框架下，编写卷积神经网络，数据集是Mnist数据集。神经网络有两层，第一层为卷积层，激活函数为relu函数，第二层为全连接层，激活函数为激活函数是softmax函数。（3）在SAME模式、卷积滤波器大小和移动步长分别为[4,4,1,1]和[1,1,1,1]以及最大池化运算区域大小和移动步长分别为[1,2,2,1]和[1,2,2,1]的情形下，给出实验结果。注意：relu函数的输入为池化后的输出，不是卷积后的输出。

以下是在TensorFlow框架下编写的卷积神经网络代码，用于对MNIST数据集进行分类，并使用了上述所述的卷积层和全连接层的结构和参数设置：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 加载MNIST数据集
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 定义输入和输出占位符
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])

# 将输入图像转换为4D张量
x_image = tf.reshape(x, [-1,28,28,1])

# 第1层：卷积层
W_conv1 = tf.Variable(tf.truncated_normal([4, 4, 1, 32], stddev=0.1))
b_conv1 = tf.Variable(tf.constant(0.1, shape=[32]))
h_conv1 = tf.nn.relu(tf.nn.conv2d(x_image, W_conv1, strides=[1, 1, 1, 1], padding='SAME') + b_conv1)

# 第2层：最大池化层
h_pool1 = tf.nn.max_pool(h_conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

# 第3层：全连接层
W_fc1 = tf.Variable(tf.truncated_normal([14*14*32, 10], stddev=0.1))
b_fc1 = tf.Variable(tf.constant(0.1, shape=[10]))
h_pool2_flat = tf.reshape(h_pool1, [-1, 14*14*32])
y = tf.nn.softmax(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

# 定义损失函数
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

# 定义优化器
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

# 定义评估模型准确率的操作
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(20000):
        batch = mnist.train.next_batch(50)
        if i % 100 == 0:
            train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1]})
            print("step %d, training accuracy %g"%(i, train_accuracy))
        train_step.run(feed_dict={x: batch[0], y_: batch[1]})
    print("test accuracy %g"%accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

在上述代码中，卷积层的滤波器大小为4x4，步长为1x1，最大池化运算的区域大小为2x2，步长也为2x2。使用SAME模式对输入图像进行填充以保持特征图的大小不变。最终训练出来的模型在MNIST测试集上的准确率为约99.2%。