要用TensorFlow搭建卷積神經網絡(CNN)，首先需要導入TensorFlow庫并定義網絡的結構。以下是一個簡單的示例代碼，展示了如何在TensorFlow中搭建一個包含兩個卷積層和兩個全連接層的CNN：

import tensorflow as tf

# 定義輸入數據的占位符
x = tf.placeholder(tf.float32, [None, 28, 28, 1])
y = tf.placeholder(tf.float32, [None, 10])

# 第一個卷積層
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)

# 第二個卷積層
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)

# 將卷積層輸出的二維特征圖展開為一維向量
flat = tf.layers.flatten(pool2)

# 第一個全連接層
fc1 = tf.layers.dense(inputs=flat, units=1024, activation=tf.nn.relu)

# 第二個全連接層
output = tf.layers.dense(inputs=fc1, units=10)

# 定義損失函數和優化器
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)

# 訓練模型
# ...

# 在測試集上評估模型
# ...

在這個示例中，我們首先定義了一個輸入數據的占位符x和y，然后通過tf.layers.conv2d和tf.layers.max_pooling2d構建了兩個卷積層和池化層。接下來，我們將卷積層輸出的特征圖展開為一維向量，然后通過兩個全連接層得到最終的輸出。最后，我們定義了損失函數和優化器，并進行模型的訓練和評估。

需要注意的是，實際搭建CNN模型時可能會有更復雜的結構和參數設置，可以根據具體需求進行調整和優化。TensorFlow提供了豐富的API和功能，可以幫助我們更輕松地構建和訓練深度學習模型。