写一个matlab的基于卷积神经网络的数据分类预测

下面是一个简单的基于卷积神经网络的数据分类预测的 MATLAB 代码示例：

% 准备数据
load mnist_train_small

% 将图像数据转换为二维矩阵
data = reshape(X', [28, 28, 1, size(X, 1)]);

% 将标签转换为 one-hot 编码
labels = zeros(size(y, 1), 10);
for i = 1:size(y, 1)
    labels(i, y(i)+1) = 1;
end

% 构建卷积神经网络
layers = [
    imageInputLayer([28 28 1])
    convolution2dLayer(5, 20)
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(5, 50)
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(500)
    reluLayer
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

% 设置训练选项
options = trainingOptions('sgdm', ...
    'MaxEpochs', 20, ...
    'ValidationData', {reshape(Xv', [28, 28, 1, size(Xv, 1)]), categorical(yv)}, ...
    'Plots', 'training-progress');

% 训练卷积神经网络
net = trainNetwork(data, categorical(y), layers, options);

% 使用训练好的卷积神经网络进行预测
load mnist_test_small
test_data = reshape(X', [28, 28, 1, size(X, 1)]);
predictions = classify(net, test_data);
accuracy = sum(predictions == categorical(y)) / numel(y);
disp(['Test accuracy: ' num2str(accuracy)]);

在这个示例中，我们使用了 MNIST 数据集进行训练和测试。首先，我们将图像数据转换为二维矩阵，并将标签转换为 one-hot 编码。然后，我们构建了一个简单的卷积神经网络，包含两个卷积层和两个全连接层。接下来，我们设置了训练选项，并使用 `trainNetwork` 函数训练了卷积神经网络。最后，我们使用训练好的卷积神经网络对测试数据进行预测，并计算了预测准确率。