基于matlab的卷积神经网络的图像分类识别代码

以下是一个基于MATLAB的卷积神经网络的图像分类识别代码示例：

% 读入训练集和测试集数据
trainImages = loadMNISTImages('train-images.idx3-ubyte');
trainLabels = loadMNISTLabels('train-labels.idx1-ubyte');
testImages = loadMNISTImages('t10k-images.idx3-ubyte');
testLabels = loadMNISTLabels('t10k-labels.idx1-ubyte');

% 调整输入数据格式
trainImages = reshape(trainImages, [28 28 1 size(trainImages, 2)]);
testImages = reshape(testImages, [28 28 1 size(testImages, 2)]);

% 定义卷积神经网络模型
layers = [
    imageInputLayer([28 28 1])
    convolution2dLayer(5, 20)
    reluLayer()
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(10)
    softmaxLayer()
    classificationLayer()
];

% 定义训练参数
options = trainingOptions('sgdm', ...
    'MaxEpochs', 20, ...
    'InitialLearnRate', 0.1, ...
    'MiniBatchSize', 128, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

% 训练卷积神经网络模型
net = trainNetwork(trainImages, categorical(trainLabels), layers, options);

% 测试卷积神经网络模型
testPred = classify(net, testImages);
accuracy = sum(testPred == categorical(testLabels)) / numel(testLabels);
fprintf('测试准确率: %.2f%%\n', accuracy * 100);

此代码使用了MNIST手写数字数据集进行训练和测试，其中`loadMNISTImages`和`loadMNISTLabels`函数用于读入数据集文件。`imageInputLayer`是输入层，`convolution2dLayer`是卷积层，`reluLayer`是激活函数层，`maxPooling2dLayer`是池化层，`fullyConnectedLayer`是全连接层，`softmaxLayer`是输出层，`classificationLayer`是分类层。`trainingOptions`函数定义了训练参数，`trainNetwork`函数用于训练模型，`classify`函数用于测试模型。