编写一段卷积神经网络的构建代码

好的，以下是一个简单的卷积神经网络构建代码示例：

import tensorflow as tf

# 定义卷积神经网络的输入层
input_layer = tf.keras.layers.Input(shape=(28, 28, 1))

# 定义卷积层
conv_layer1 = tf.keras.layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu')(input_layer)
conv_layer2 = tf.keras.layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu')(conv_layer1)

# 定义池化层
pool_layer = tf.keras.layers.MaxPooling2D(pool_size=(2, 2))(conv_layer2)

# 将池化层输出展平
flatten_layer = tf.keras.layers.Flatten()(pool_layer)

# 定义全连接层
dense_layer1 = tf.keras.layers.Dense(units=128, activation='relu')(flatten_layer)
output_layer = tf.keras.layers.Dense(units=10, activation='softmax')(dense_layer1)

# 定义模型
model = tf.keras.models.Model(inputs=input_layer, outputs=output_layer)

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

# 输出模型结构
model.summary()

上述代码中，我们首先定义了输入层，然后添加了两个卷积层，每个卷积层都包含32或64个滤波器，并使用ReLU激活函数。接着，我们添加了一个池化层，将卷积层的输出进行下采样。然后，我们将池化层的输出展平，并添加一个全连接层，最后输出层包含10个神经元，使用softmax激活函数。最后，我们编译模型，并输出其结构。