tensorflow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 MaxPooling后都添加系数为0.25的 Dropout.

网络结构：

| 层类型 | 输出形状 | 参数数量 |
| --- | --- | --- |
| 输入层 | (None, 28, 28, 1) | 0 |
| 卷积层，32个3x3的过滤器，ReLU激活函数 | (None, 26, 26, 32) | 320 |
| 最大池化层，2x2的池化窗口 | (None, 13, 13, 32) | 0 |
| Dropout层，0.25的丢弃率 | (None, 13, 13, 32) | 0 |
| 卷积层，64个3x3的过滤器，ReLU激活函数 | (None, 11, 11, 64) | 18496 |
| 最大池化层，2x2的池化窗口 | (None, 5, 5, 64) | 0 |
| Dropout层，0.25的丢弃率 | (None, 5, 5, 64) | 0 |
| 展开层 | (None, 1600) | 0 |
| 全连接层，128个神经元，ReLU激活函数 | (None, 128) | 204928 |
| Dropout层，0.5的丢弃率 | (None, 128) | 0 |
| 输出层，10个神经元，softmax激活函数 | (None, 10) | 1290 |

参数数量：218,034

代码实现：

import tensorflow as tf
from tensorflow.keras import layers

# 定义CNN网络结构
model = tf.keras.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Dropout(0.25),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Dropout(0.25),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.5),
    layers.Dense(10, activation='softmax')
])

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