请使用深度学习中的卷积神经网络（CNN）帮我构建一个数字识别器，可以将手写数字识别出来。

好的，我可以帮您实现一个基于CNN的手写数字识别器。我们可以使用Python编程语言和深度学习框架TensorFlow来构建这个模型。

首先，我们需要导入必要的库：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

然后，我们可以加载MNIST数据集并将其划分为训练集和测试集：

(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

接下来，我们可以对图像数据进行预处理，将像素值缩放到0到1之间，并将图像数据从3D张量转换为4D张量：

train_images = train_images / 255.0
test_images = test_images / 255.0

train_images = train_images.reshape((train_images.shape[0], 28, 28, 1))
test_images = test_images.reshape((test_images.shape[0], 28, 28, 1))

然后，我们可以构建CNN模型。这里我们使用两个卷积层，每个卷积层后面跟着一个池化层，以及一个全连接层和一个输出层：

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

最后，我们可以编译模型并训练它：

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

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

训练完成后，我们可以使用测试集评估模型的性能：

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

最后，我们可以使用模型来预测手写数字图像：

import numpy as np

# Load a sample image and preprocess it
image = plt.imread("example.png")
image = np.mean(image, axis=2)
image = np.expand_dims(image, axis=0)
image = np.expand_dims(image, axis=-1)
image = image / 255.0

# Make a prediction
prediction = model.predict(image)
digit = np.argmax(prediction)

print("The predicted digit is:", digit)

这样，我们就成功地构建了一个基于CNN的手写数字识别器。