Python是一種強大的編程語言，常常被用于深度學習領域。其中的卷積神經網絡（CNN）也是一種被廣泛應用的機器學習模型。

在Python中設置CNN環境需要導入一些必要的庫。下面是一個例子：

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from tensorflow.keras.models import Sequential
# 加載數據
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 數據預處理
x_train = x_train.reshape(-1, 28, 28, 1) / 255.0
x_test = x_test.reshape(-1, 28, 28, 1) / 255.0
y_train = tf.keras.utils.to_categorical(y_train, num_classes=10)
y_test = tf.keras.utils.to_categorical(y_test, num_classes=10)
# 建立卷積神經網絡
model = Sequential()
model.add(Conv2D(filters=32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(filters=64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(units=128, activation='relu'))
model.add(Dense(units=10, activation='softmax'))
# 編譯模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# 訓練模型
model.fit(x_train, y_train, epochs=5, batch_size=64, validation_data=(x_test, y_test))
# 測試模型
_, accuracy = model.evaluate(x_test, y_test)
print('Accuracy: %.2f' % (accuracy*100))

在這個例子中，我們使用了TensorFlow作為CNN環境的核心庫，同時加載了mnist數據集進行訓練和測試。建立卷積神經網絡后，我們使用了adam優化器和交叉熵作為損失函數訓練模型，并在測試時得到了準確率。

在Python中設置CNN環境可以靈活地應用于不同的機器學習問題，對于實現高效識別和分類等任務有重要的作用。