帮我生产一段用matlab写的GNN代码，数据输入要求是图片

好的，以下是一个简单的用MATLAB编写的GNN代码，用于对图像进行分类：

% 加载图像数据
images = loadMNISTImages('train-images.idx3-ubyte');
labels = loadMNISTLabels('train-labels.idx1-ubyte');

% 构建邻接矩阵
num_nodes = size(images, 2);
adj_matrix = zeros(num_nodes, num_nodes);
for i = 1:num_nodes
    for j = i+1:num_nodes
        adj_matrix(i, j) = 1 - norm(images(:,i) - images(:,j));
        adj_matrix(j, i) = adj_matrix(i, j);
    end
end

% 构建节点特征
features = images';

% 定义GNN模型
num_classes = 10;
num_hidden = 16;
num_epochs = 50;
learning_rate = 0.01;

W1 = rand(size(features, 2), num_hidden);
W2 = rand(num_hidden, num_classes);

for epoch = 1:num_epochs
    % 前向传播
    hidden = tanh(features * W1);
    output = softmax(hidden * W2);
    
    % 计算损失函数
    loss = -sum(labels .* log(output), 2);
    total_loss = sum(loss);
    
    % 反向传播
    delta2 = output - labels;
    grad2 = hidden' * delta2;
    
    delta1 = (1 - hidden.^2) .* (delta2 * W2');
    grad1 = features' * delta1;
    
    % 更新参数
    W1 = W1 - learning_rate * grad1;
    W2 = W2 - learning_rate * grad2;
end

这个模型使用了一个简单的两层全连接神经网络来对图像进行分类。首先，我们将图像转化为节点特征，构建邻接矩阵。然后使用随机初始化的参数`W1`和`W2`，对数据进行训练。在每个epoch中，我们首先进行前向传播，计算出模型的输出结果。然后计算损失函数，并进行反向传播，最后更新参数。在这个模型中，我们使用了tanh作为激活函数，并使用softmax作为输出层激活函数，以得到每个类别的概率分布。