matlab构架自己的神经网络 ，要求可以输入卷积的NumFilters参数(神经网络设计器里有，以代码导出后修改可实现)；能够展示神经网络结构；能够训练；能够输入图像测试训练后神经网络的效果

以下是一个简单的示例代码，说明如何使用MATLAB构建、训练和测试卷积神经网络：

% 构建卷积神经网络
net = feedforwardnet(NumFilters);

% 展示神经网络结构
view(net);

% 准备训练数据
imds = imageDatastore('path_to_images','IncludeSubfolders',true,'LabelSource','foldernames');
imds.ReadFcn = @imresize;

% 将数据分为训练集和测试集
[imdsTrain,imdsTest] = splitEachLabel(imds,0.7,'randomized');

% 设置训练参数
options = trainingOptions('adam', ...
    'InitialLearnRate',1e-4, ...
    'MaxEpochs',10, ...
    'MiniBatchSize',32, ...
    'ValidationData',imdsTest, ...
    'ValidationFrequency',30, ...
    'Verbose',false, ...
    'Plots','training-progress');

% 训练神经网络
net = trainNetwork(imdsTrain,net,options);

% 测试训练后神经网络的效果
im = imread('test_image.png');
im = imresize(im,[227,227]);
output = classify(net,im);

% 展示测试结果
imshow(im);
title(char(output));

在这个例子中，我们首先使用“feedforwardnet”函数构建了一个卷积神经网络，并设置了卷积层的NumFilters参数。然后，我们使用“view”函数展示了神经网络的结构。

接下来，我们准备了训练数据，将数据分为训练集和测试集，并设置了训练参数。我们使用MATLAB的“trainNetwork”函数对神经网络进行训练。

最后，我们使用“imread”函数读取一个测试图像，并使用“classify”函数对图像进行分类。我们展示了测试图像和分类结果。

这个例子说明了如何使用MATLAB构建、训练和测试卷积神经网络，并展示了神经网络的结构。您可以根据自己的需要调整代码以适应不同的数据集和分类任务。