写出一个数字识别的matlab神经网络模型

在MATLAB中创建一个简单的数字识别神经网络模型，我们可以使用深度学习工具箱中的`patternnet`函数以及一些预处理步骤。这里是一个基本流程：

1. **数据准备**：
- 加载MNIST数据集，这是一个包含手写数字的小型数据库，可以使用`imageDatastore`或`readImage`等函数。
- 将图像归一化到0-1范围内，并转换为灰度图像。
- 分割数据为训练集和测试集。

imds = imageDatastore('path/to/MNIST', 'IncludeSubfolders', true);
imds = augmentedImageDatastore([28 28], imds); % resize if needed
images = read(imds);
labels = imds.Labels;

2. **预处理和划分**：
- 对图像进行扁平化，使其变成一维向量。
- 创建one-hot编码标签。

numClasses = numel(unique(labels));
images = double(images) / 255; % 归一化
images = images(:,:);
labels = categorical(labels);
labels = onehotencode(labels, numClasses);

3. **构建网络**：
- 使用`patternnet`函数创建一个三层的感知机（例如全连接层），通常包括输入层、隐藏层和输出层。

hiddenSize = 64; % 可调整大小
net = patternnet(hiddenSize, 'InitialLearnRate', 0.01);

4. **训练网络**：
- 设置训练选项，如交叉熵损失函数。
- 运行训练循环。

options = trainingOptions('adam', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 128, ...
    'Shuffle', 'every-epoch', ...
    'Verbose', false);

net = train(net, images', labels', options);

5. **评估模型**：
- 预测测试集并计算准确率。

testImages = read(imds.test, 'ReadFcn', @double);
testLabels = onehotdecode(testLabels, numClasses);
predictedLabels = net(testImages');
accuracy = sum(predictedLabels == testLabels') / numel(testLabels);