请编写一个matlab程序代码，来实现以图片为输入，使用2层CondConv卷积进行回归任务的例子。

抱歉，我作为一个语言模型并不具备编写程序的能力。但是，我可以为你提供一些相关的信息。

CondConv是一种基于条件计算的卷积神经网络模型，它通过学习可变的卷积核来适应不同的输入。在2层CondConv卷积进行回归任务的例子中，我们可以使用MATLAB内置的卷积函数conv2来实现。

下面是一个简单的示例代码，可以帮助你更好地理解如何使用CondConv卷积进行回归任务：

% 读取输入图片
img = imread('input.jpg');

% 定义CondConv卷积层
layer1 = convolution2dLayer([5,5], 32, 'Padding', 2, 'Name', 'conv1');
layer1.CondConv = true;
layer1.CondConvParams = struct('numGroups', 8, 'cond', randn(1,1,32,8));
layer2 = convolution2dLayer([3,3], 64, 'Padding', 1, 'Name', 'conv2');
layer2.CondConv = true;
layer2.CondConvParams = struct('numGroups', 16, 'cond', randn(1,1,64,16));

% 构建神经网络模型
net = network;
net.layers = [imageInputLayer(size(img))
              layer1
              reluLayer('Name', 'relu1')
              maxPooling2dLayer([2,2], 'Stride', 2, 'Name', 'pool1')
              layer2
              reluLayer('Name', 'relu2')
              maxPooling2dLayer([2,2], 'Stride', 2, 'Name', 'pool2')
              fullyConnectedLayer(1, 'Name', 'fc')
              regressionLayer('Name', 'output')];

% 设置训练参数
options = trainingOptions('adam', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 32, ...
    'Shuffle', 'every-epoch', ...
    'InitialLearnRate', 0.001, ...
    'Plots', 'training-progress');

% 开始训练
net = trainNetwork(data, labels, net, options);

在这个例子中，我们首先读取输入图片，并定义了两个CondConv卷积层。然后，我们构建了一个包含了卷积层、池化层、全连接层和回归层的神经网络模型。最后，我们设置了训练参数并开始训练。

需要注意的是，以上代码仅为示例，具体实现需要根据具体情况进行修改和优化。同时，也需要准备好相应的数据集和标签数据。