可以使用python写一个CNN的深度学习神经网络吗？

当然可以，以下是一个简单的 Python 代码示例，用于实现一个基于卷积神经网络 (CNN) 的图像分类器：

import tensorflow as tf
from tensorflow.keras import layers

# 定义模型
model = tf.keras.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.Conv2D(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

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

# 加载数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train = x_train.reshape((-1, 28, 28, 1)) / 255.0
x_test = x_test.reshape((-1, 28, 28, 1)) / 255.0

# 训练模型
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))

这段代码首先定义了一个包含多个卷积层和全连接层的 CNN 模型，其中输入的图像大小为 28x28。然后，使用 `compile` 方法编译模型，设置优化器、损失函数和评价指标。接着，加载 MNIST 数据集，并将输入图像归一化到 0~1 之间。最后，使用 `fit` 方法训练模型，并在测试集上进行验证。需要注意的是，这只是一个简单的示例，实际应用中可能需要更复杂的处理。