已知卷积神经网络的输入层，中间层，求输出层，python代码实现

假设输入层为 `input_layer`，中间层为 `hidden_layer`，输出层为 `output_layer`，则可以使用以下代码实现：

import tensorflow as tf

# 定义输入层
input_layer = tf.keras.layers.Input(shape=(input_shape))

# 定义中间层
hidden_layer = tf.keras.layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu')(input_layer)
hidden_layer = tf.keras.layers.MaxPooling2D(pool_size=(2, 2))(hidden_layer)
hidden_layer = tf.keras.layers.Conv2D(filters=64, kernel_size=(3, 3), activation='relu')(hidden_layer)
hidden_layer = tf.keras.layers.MaxPooling2D(pool_size=(2, 2))(hidden_layer)

# 定义输出层
flatten_layer = tf.keras.layers.Flatten()(hidden_layer)
output_layer = tf.keras.layers.Dense(units=num_classes, activation='softmax')(flatten_layer)

其中，`tf.keras.layers.Conv2D` 表示卷积层，`tf.keras.layers.MaxPooling2D` 表示池化层，`tf.keras.layers.Flatten` 表示将多维输入一维化，`tf.keras.layers.Dense` 表示全连接层。`filters` 表示卷积核个数，`kernel_size` 表示卷积核大小，`activation` 表示激活函数，`pool_size` 表示池化大小，`units` 表示输出层神经元个数。