编写一个用于预测的卷积神经网络matlab代码

以下是一个简单的用于图像分类的卷积神经网络（CNN）的 MATLAB 代码示例：

% 加载数据集（示例为MNIST手写数字数据集）
data = load('mnist.mat');
X_train = data.train_X; % 训练集图像
y_train = data.train_y; % 训练集标签
X_test = data.test_X; % 测试集图像
y_test = data.test_y; % 测试集标签

% 数据预处理
X_train = double(X_train) / 255; % 归一化到0-1范围
X_test = double(X_test) / 255;

% 转换标签为独热编码
num_classes = 10;
Y_train = zeros(num_classes, size(X_train, 2));
for i = 1:size(X_train, 2)
    Y_train(y_train(i) + 1, i) = 1;
end

% 构建CNN模型
layers = [
    imageInputLayer([28 28 1]) % 输入层，图像尺寸为28x28，通道数为1
    convolution2dLayer(3, 16, 'Padding', 'same') % 卷积层，使用3x3的卷积核，输出通道数为16
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU激活层
    maxPooling2dLayer(2, 'Stride', 2) % 最大池化层，使用2x2的池化窗口，步长为2
    convolution2dLayer(3, 32, 'Padding', 'same') % 卷积层，输出通道数为32
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(64) % 全连接层，输出节点数为64
    reluLayer
    fullyConnectedLayer(num_classes) % 输出层，输出节点数为类别数
    softmaxLayer % Softmax层
    classificationLayer % 分类层
];

% 设置训练选项
options = trainingOptions('adam', ...
    'InitialLearnRate', 0.001, ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 128, ...
    'ValidationData', {X_test, categorical(y_test)}, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

% 训练模型
net = trainNetwork(X_train, categorical(y_train), layers, options);

% 进行预测
Y_pred = classify(net, X_test);
accuracy = sum(Y_pred == categorical(y_test)) / numel(y_test);
fprintf('准确率：%.2f%%\n', accuracy * 100);

这个示例代码展示了如何使用 MATLAB 的深度学习工具箱构建一个简单的 CNN 模型，并在 MNIST 数据集上进行训练和预测。请注意，这只是一个基本的示例，你可能需要根据你的数据集和具体需求进行适当的修改和调整。