写出一个卷积神经网络的代码实现，该网络具有三个卷积层、一个池化层、一个全连接层，用于MNIST数据集分类。 定义

当然，以下是使用Python和TensorFlow库实现的一个简单卷积神经网络(CNN)模型，用于MNIST手写数字识别：

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
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 = Sequential([
    # 第一个卷积层
    Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    
    # 池化层，降低数据维度
    MaxPooling2D(pool_size=(2, 2)),
    
    # 第二个卷积层
    Conv2D(64, (3, 3), activation='relu'),
    
    # 另一池化层
    MaxPooling2D(pool_size=(2, 2)),
    
    # 将二维数据展平成一维供全连接层使用
    Flatten(),
    
    # 全连接层，包含128个节点
    Dense(128, activation='relu'),
    
    # 输出层，有10个节点对应0-9的类别，用softmax函数作为激活函数
    Dense(10, activation='softmax')
])

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

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

# 评估模型
score = model.evaluate(x_test, y_test)
print("Test accuracy:", score[1])

这个模型通过两层卷积层捕获图像特征，然后用池化层减少数据维度，接着全连接层进行分类。注意，在实际应用中，你可能需要调整模型结构、超参数以及训练轮数等细节。