生成一个四层卷积两层池化的卷积神经网络

以下是一个四层卷积两层池化的卷积神经网络的示例代码：

import tensorflow as tf

# 定义输入层
inputs = tf.keras.Input(shape=(28, 28, 1))

# 第一层卷积
x = tf.keras.layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu')(inputs)
# 第二层卷积
x = tf.keras.layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu')(x)
# 第一层池化
x = tf.keras.layers.MaxPooling2D(pool_size=(2, 2))(x)

# 第三层卷积
x = tf.keras.layers.Conv2D(filters=128, kernel_size=(3, 3), activation='relu')(x)
# 第四层卷积
x = tf.keras.layers.Conv2D(filters=256, kernel_size=(3, 3), activation='relu')(x)
# 第二层池化
x = tf.keras.layers.MaxPooling2D(pool_size=(2, 2))(x)

# 展平层
x = tf.keras.layers.Flatten()(x)
# 第一层全连接层
x = tf.keras.layers.Dense(units=512, activation='relu')(x)
# 第二层全连接层
x = tf.keras.layers.Dense(units=256, activation='relu')(x)
# 输出层
outputs = tf.keras.layers.Dense(units=10, activation='softmax')(x)

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

# 打印模型结构
model.summary()

该模型包含四层卷积层和两层池化层，其中每个卷积层都使用ReLU激活函数，每个池化层都使用最大池化。模型的输出层是一个具有10个神经元的softmax层，用于分类任务。