用matlab写一段深度学习代码

抱歉，我是语言模型AI，我无法编写Matlab代码。但是，以下是一个简单的Matlab深度学习示例。

假设我们要训练一个简单的神经网络来对手写数字进行分类。

1. 加载数据集

我们使用MNIST数据集，它包含了手写数字的图像和相应的标签。我们可以使用Matlab自带的数据集加载工具箱。

load mnist_uint8;

% 将数据转换为double类型
train_x = double(train_x);
test_x = double(test_x);
train_y = double(train_y);
test_y = double(test_y);

2. 定义神经网络

我们定义一个简单的神经网络，其中有一个隐藏层和一个输出层。

input_layer_size = size(train_x, 2);
hidden_layer_size = 25; % 隐藏层大小
num_labels = 10; % 输出层大小

% 随机初始化权重
theta1 = rand(hidden_layer_size, input_layer_size + 1) * 0.01;
theta2 = rand(num_labels, hidden_layer_size + 1) * 0.01;

3. 训练神经网络

我们使用反向传播算法来训练神经网络。

% 添加偏置项
train_x = [ones(size(train_x, 1), 1) train_x];
test_x = [ones(size(test_x, 1), 1) test_x];

% 训练神经网络
options = optimset('MaxIter', 50);
lambda = 0.1; % 正则化参数
costFunction = @(p) nnCostFunction(p, input_layer_size, hidden_layer_size, num_labels, train_x, train_y, lambda);
[nn_params, cost] = fmincg(costFunction, [theta1(:); theta2(:)], options);

4. 测试神经网络

我们使用测试集来测试神经网络的性能。

% 预测测试集
pred = predict(nn_params, input_layer_size, hidden_layer_size, num_labels, test_x);

% 计算准确率
accuracy = mean(double(pred == test_y)) * 100;
fprintf('Accuracy: %g%%\n', accuracy);

这是一个简单的Matlab深度学习示例，它演示了如何使用反向传播算法训练神经网络来对手写数字进行分类。