要创建自己的卷积网络，可以使用Python的深度学习库TensorFlow。以下是一个示例代码，演示如何使用TensorFlow创建一个简单的卷积网络：

import tensorflow as tf

# 创建输入占位符
x = tf.placeholder(tf.float32, shape=[None, 28, 28, 1])
y_true = tf.placeholder(tf.float32, shape=[None, 10])

# 定义卷积层
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)

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)

# 将卷积层输出转换为全连接层的输入
flatten = tf.layers.flatten(pool2)

# 定义全连接层
fc = tf.layers.dense(inputs=flatten, units=1024, activation=tf.nn.relu)

# 定义输出层
logits = tf.layers.dense(inputs=fc, 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_true, logits=logits))
optimizer = tf.train.AdamOptimizer(learning_rate=0.001)
train_op = optimizer.minimize(loss)

# 训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for i in range(num_epochs):
        batch_x, batch_y = next_batch(batch_size)
        sess.run(train_op, feed_dict={x: batch_x, y_true: batch_y})

    # 在测试集上评估模型
    accuracy = sess.run(accuracy_op, feed_dict={x: test_x, y_true: test_y})
    print("Test Accuracy:", accuracy)

在这个示例中，我们使用了tf.layers模块来创建卷积层和全连接层。我们还使用了tf.train.AdamOptimizer来定义优化器，并使用tf.nn.softmax_cross_entropy_with_logits来计算损失函数。训练过程中，我们使用tf.Session来运行计算图，并通过feed_dict将数据传递给占位符。最后，我们使用测试集评估模型的准确率。

请注意，这只是一个简单的示例，实际的卷积网络可能包含更多的卷积层、全连接层和其他特定于任务的层。此外，为了完整起见，还需要定义批量数据加载函数next_batch和计算准确率的操作accuracy_op。