要用TensorFlow搭建卷积神经网络(CNN)，首先需要导入TensorFlow库并定义网络的结构。以下是一个简单的示例代码，展示了如何在TensorFlow中搭建一个包含两个卷积层和两个全连接层的CNN：
import tensorflow as tf
# 定义输入数据的占位符
x = tf.placeholder(tf.float32, [None, 28, 28, 1])
y = tf.placeholder(tf.float32, [None, 10])
# 第一个卷积层
conv1 = tf.layers.conv2d(inputs=x, filters=32, kernel_size=[5, 5], activation=tf.nn.relu)
pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)
# 第二个卷积层
conv2 = tf.layers.conv2d(inputs=pool1, filters=64, kernel_size=[5, 5], activation=tf.nn.relu)
pool2 = tf.layers.max_pooling2d(inputs=conv2, pool_size=[2, 2], strides=2)
# 将卷积层输出的二维特征图展开为一维向量
flat = tf.layers.flatten(pool2)
# 第一个全连接层
fc1 = tf.layers.dense(inputs=flat, units=1024, activation=tf.nn.relu)
# 第二个全连接层
output = tf.layers.dense(inputs=fc1, units=10)
# 定义损失函数和优化器
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=output))
optimizer = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)
# 训练模型
# ...
# 在测试集上评估模型
# ...
在这个示例中，我们首先定义了一个输入数据的占位符x和y，然后通过tf.layers.conv2d和tf.layers.max_pooling2d构建了两个卷积层和池化层。接下来，我们将卷积层输出的特征图展开为一维向量，然后通过两个全连接层得到最终的输出。最后，我们定义了损失函数和优化器，并进行模型的训练和评估。
需要注意的是，实际搭建CNN模型时可能会有更复杂的结构和参数设置，可以根据具体需求进行调整和优化。TensorFlow提供了丰富的API和功能，可以帮助我们更轻松地构建和训练深度学习模型。