matlab用CNN识别mnist的详细代码

以下是使用 MATLAB 实现的 CNN 对 MNIST 数据集进行分类的代码：

% 加载 MNIST 数据集
[XTrain, YTrain] = digitTrain4DArrayData;

% 定义 CNN 架构
layers = [
    imageInputLayer([28 28 1])
    
    convolution2dLayer(5, 20)
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2, 'Stride', 2)
    
    convolution2dLayer(5, 50)
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2, 'Stride', 2)
    
    fullyConnectedLayer(500)
    batchNormalizationLayer
    reluLayer
    
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer
];

% 定义训练选项
options = trainingOptions('sgdm', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 128, ...
    'InitialLearnRate', 0.01, ...
    'LearnRateSchedule', 'piecewise', ...
    'LearnRateDropFactor', 0.1, ...
    'LearnRateDropPeriod', 5, ...
    'Shuffle', 'every-epoch', ...
    'Plots', 'training-progress');

% 训练 CNN
net = trainNetwork(XTrain, YTrain, layers, options);

% 加载 MNIST 测试数据集
[XTest, YTest] = digitTest4DArrayData;

% 对测试数据集进行分类
YPred = classify(net, XTest);

% 计算分类准确率
accuracy = sum(YPred == YTest) / numel(YTest);
fprintf('Accuracy: %f\n', accuracy);

在这段代码中，我们使用 `digitTrain4DArrayData` 和 `digitTest4DArrayData` 函数加载 MNIST 训练和测试数据集。然后，我们定义了一个包含几个卷积层、池化层和全连接层的 CNN 架构。接下来，我们使用 `trainingOptions` 函数定义训练选项，包括优化器、最大 epoch 数、mini-batch 大小等等。最后，我们使用 `trainNetwork` 函数训练 CNN，并使用 `classify` 函数对测试数据集进行分类，计算分类准确率。