请写一个cnn算法示例

好的，下面是一个简单的CNN算法示例，它可以用于手写数字识别任务：

1. 输入层：将输入的28x28的灰度图像展开成一维向量，输入到网络中。

2. 卷积层1：使用5x5的卷积核，对输入图像进行卷积操作，得到32个特征图。使用ReLU激活函数进行非线性转换。

3. 池化层1：使用2x2的最大池化操作，对特征图进行降采样，减小尺寸。

4. 卷积层2：使用5x5的卷积核，对池化后的特征图进行卷积操作，得到64个特征图。同样使用ReLU激活函数进行非线性转换。

5. 池化层2：同样使用2x2的最大池化操作，对特征图进行降采样。

6. 全连接层1：将池化后的特征图展开成一维向量，输入到全连接层中。该层有128个神经元，使用ReLU激活函数进行非线性转换。

7. 全连接层2：该层有10个神经元，分别对应0-9十个数字，使用softmax函数进行分类。

8. 输出层：输出属于每个数字的概率。

这个CNN模型的训练过程就是通过反向传播算法，优化网络中的权重和偏置参数，使得模型可以更好地对手写数字进行分类。