Matlab CNN分类预测4个输入1个输出3个类别代码

下面是一个简单的 Matlab CNN 分类预测代码，可以处理 4 个输入和 3 个类别的输出：

% 定义输入和输出
inputs = rand(32, 32, 4, 1000); % 4 个输入
outputs = rand(3, 1000); % 3 个类别的输出

% 定义网络结构
layers = [
    imageInputLayer([32 32 4])
    convolution2dLayer(5, 32)
    reluLayer()
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(64)
    reluLayer()
    fullyConnectedLayer(3)
    softmaxLayer()
    classificationLayer()];

% 定义训练选项
options = trainingOptions('sgdm', ...
    'MaxEpochs', 10, ...
    'InitialLearnRate', 0.01, ...
    'Shuffle', 'every-epoch', ...
    'ValidationData', {inputs(:,:,:,900:1000),outputs(:,900:1000)}, ...
    'ValidationFrequency', 50, ...
    'Verbose', false, ...
    'Plots','training-progress');

% 训练网络
net = trainNetwork(inputs, outputs, layers, options);

% 使用网络进行预测
testInputs = rand(32, 32, 4, 10); % 10 个测试输入
predictions = classify(net, testInputs);

这个代码定义了一个简单的 CNN 网络，包括卷积层、ReLU 激活层、池化层、全连接层、Softmax 层和分类层。训练选项包括随机梯度下降优化器、最大训练轮数、初始学习率、每次训练时是否打乱数据、验证数据、验证频率、是否显示训练过程和训练过程可视化。最后，使用 `classify` 函数对测试输入进行分类预测。