matlab卷积神经网络图像分类代码实例

Matlab是一个强大的数学软件，它也支持深度学习和卷积神经网络（Convolutional Neural Networks, CNN）的实现。以下是一个简单的例子，展示如何使用Matlab的Deep Learning Toolbox构建一个基本的CNN进行图像分类：

% 导入所需的库
addpath('toolbox'); % 如果Deep Learning Toolbox不在路径上，需要添加

% 加载数据集，例如MNIST手写数字数据
imds = imageDatastore('path_to_your_data', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');

% 数据预处理
options = imageDataAugmentationOptions('RandXReflection',true, 'RandYTranslation',0.1);
augmentedImageDatastore = augmentedImageDatastore([28 28], imds, options);

% 划分训练集和验证集
[trainingData, validationData] = splitEachLabel(augmentedImageDatastore, 0.7, 'randomized');

% 定义CNN模型结构
layers = [
    imageInputLayer([28 28 1])
    convolution2dLayer(5, 20) % 卷积层，大小为5x5，有20个滤波器
    reluLayer          % 激活函数，这里使用ReLU
    maxPooling2dLayer(2, 'Stride', 2) % 最大池化层，大小为2x2，步长为2
    fullyConnectedLayer(10)   % 全连接层，对应10个类别（假设为MNIST的10个数字）
    softmaxLayer        % 输出层，用于概率分布
    classificationLayer  % 分类层
];

% 设置训练选项
options = trainingOptions('adam', ...
    'InitialLearnRate', 0.001, ...
    'MiniBatchSize', 64, ...
    'MaxEpochs', 10, ...
    'Shuffle', 'every-epoch', ...
    'ValidationData', validationData, ...
    'Verbose', false);

% 训练模型
net = trainNetwork(trainingData, layers, options);

% 对新图片进行预测
newImage = imread('path_to_new_image.jpg');
input = im2double(imresize(newImage, [28 28]));
prediction = classify(net, input);

% 显示预测结果
disp("Predicted label: " + prediction)

这个代码首先加载并准备数据，然后创建一个简单的CNN模型，接着训练该模型，并最后对新的图片进行分类预测。