设计一个对MNIST处理的CNN网络，网络结构和参数要求如下表，其中每一次的MaxPooling后都添加系数为0.25的Dropout的python代码

下面给出一个设计MNIST处理的CNN网络的例子：

import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D

model = Sequential()

model.add(Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)))
model.add(Conv2D(32, (3,3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3,3), activation='relu'))
model.add(Conv2D(64, (3,3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

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

该网络由两个Convolution层和两个最大池化层交替堆叠，然后添加0.25的Dropout。模型应该输出一个10个元素的向量，每个元素表示每个数字的概率。训练完成后，在测试集上得到的准确率应该超过99%。