给出一份完整的卷积神经网络示例代码

当然，我可以为你提供一个简单的Python TensorFlow卷积神经网络（Convolutional Neural Network，CNN）的完整示例。首先，你需要安装TensorFlow库，如果还没有安装，可以使用pip install tensorflow命令。

import tensorflow as tf
from tensorflow.keras import layers

# 数据预处理部分，这里假设我们有一个形状为(28, 28, 1)的MNIST数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train = x_train.reshape(-1, 28, 28, 1).astype('float32') / 255
x_test = x_test.reshape(-1, 28, 28, 1).astype('float32') / 255
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)

# 定义模型
model = tf.keras.Sequential([
    # 卷积层，32个过滤器，大小3x3，步长1，激活函数ReLU
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    # 池化层，大小为2x2，步长为2
    layers.MaxPooling2D((2, 2)),
    # 再添加另一个卷积层，64个过滤器，大小3x3，ReLU激活
    layers.Conv2D(64, (3, 3), activation='relu'),
    # 最后一个池化层，然后扁平化输入到全连接层
    layers.Flatten(),
    # 全连接层，128个节点，ReLU激活
    layers.Dense(128, activation='relu'),
    # 输出层，10个节点，对应10个类别，softmax激活用于分类
    layers.Dense(10, activation='softmax')
])

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

# 训练模型
history = model.fit(x_train, y_train,
                    epochs=10,
                    validation_data=(x_test, y_test))

# 评估模型性能
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")