帮我生成一个卷积神经网络

好的，以下是一个简单的卷积神经网络的代码：

import tensorflow as tf

# 定义卷积神经网络
def conv_net(x, n_classes, dropout):
    # 将输入的数据转换为4D张量
    x = tf.reshape(x, shape=[-1, 28, 28, 1])

    # 第一层卷积层，使用32个3x3的卷积核，步长为1，使用ReLU激活函数
    conv1 = tf.layers.conv2d(x, 32, 3, activation=tf.nn.relu, padding='same')
    # 第一层池化层，使用2x2的池化窗口，步长为2
    pool1 = tf.layers.max_pooling2d(conv1, 2, 2)

    # 第二层卷积层，使用64个3x3的卷积核，步长为1，使用ReLU激活函数
    conv2 = tf.layers.conv2d(pool1, 64, 3, activation=tf.nn.relu, padding='same')
    # 第二层池化层，使用2x2的池化窗口，步长为2
    pool2 = tf.layers.max_pooling2d(conv2, 2, 2)

    # 将卷积层的输出展开为一维向量
    flat = tf.contrib.layers.flatten(pool2)

    # 全连接层，使用128个神经元，使用ReLU激活函数
    fc1 = tf.layers.dense(flat, 128, activation=tf.nn.relu)
    # Dropout层，防止过拟合
    dropout1 = tf.layers.dropout(fc1, rate=dropout)

    # 输出层，使用n_classes个神经元
    out = tf.layers.dense(dropout1, n_classes)

    return out

上面的代码定义了一个包含两个卷积层、两个池化层、一个全连接层和一个输出层的卷积神经网络。其中，第一层卷积层使用32个3x3的卷积核，第二层卷积层使用64个3x3的卷积核；池化层使用2x2的池化窗口；全连接层使用128个神经元。最后的输出层使用了一个n_classes个神经元的全连接层。在网络的训练过程中，还添加了一个Dropout层以防止过拟合。