编写卷积神经网络分类软件，编程语言不限，如Python等，以MNIST数据集为数据，实现对MNIST数据集分类操作，其中MNIST数据集共10类，分别为手写0—9。

在Python中，我们可以使用深度学习库Keras或TensorFlow来编写一个简单的卷积神经网络（Convolutional Neural Network，简称CNN）来处理MNIST数据集。以下是使用Keras的一个简短示例：

首先，确保已经安装了所需的库：

pip install tensorflow keras

然后，可以按照以下步骤编写代码：

1. 导入必要的库：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

2. 加载MNIST数据集并预处理：

(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
train_images = train_images / 255.0   # 归一化像素值到0-1范围
test_images = test_images / 255.0     # 同样归一化测试图像

# 将数据转换成四维张量（适合模型输入）
train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))

3. 构建CNN模型：

model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(),          # 展平为一维数组以便于全连接层
    layers.Dense(64, activation='relu'),
    layers.Dropout(0.5),       # 防止过拟合
    layers.Dense(10, activation='softmax')  # 输出层，10个节点对应0-9的分类
])

4. 编译模型，指定损失函数、优化器和评估指标：

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

5. 训练模型：

history = model.fit(train_images, train_labels, epochs=10,
                    validation_data=(test_images, test_labels))

6. 测试模型性能：

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print(f"Test accuracy: {test_acc}")