我需要你写出一段完整的代码，这段代码以卷积神经网络为基础，是可以用来图像分类的Matlab代码，代码运行后还会出现训练过程的相关图像和表格，还有混淆矩阵，测试集的准确率

好的，以下是一段基于卷积神经网络的图像分类Matlab代码示例。这个示例使用的是CIFAR-10数据集，这是一个包含60000张32x32像素彩色图像的数据集，其中包含10个不同的类别。代码实现了一个4层的卷积神经网络，训练模型并进行图像分类。

% 加载CIFAR-10数据集
load('cifar10testdata.mat');
load('cifar10trainingdata.mat');

% 定义网络结构
layers = [
    imageInputLayer([32 32 3])
    convolution2dLayer(5,16,'Padding',1)
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2,'Stride',2)
    convolution2dLayer(5,32,'Padding',1)
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2,'Stride',2)
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

% 设置训练参数
options = trainingOptions('sgdm',...
    'MaxEpochs',20,...
    'InitialLearnRate',0.001,...
    'Verbose',true,...
    'Plots','training-progress');

% 训练网络
net = trainNetwork(cifar10trainingdata,layers,options);

% 对测试集进行分类
predictedLabels = classify(net,cifar10testdata);

% 计算混淆矩阵
confMat = confusionmat(cifar10testdata.Labels,predictedLabels);

% 计算测试集准确率
testAccuracy = sum(diag(confMat))/sum(confMat(:));

% 输出测试集准确率和混淆矩阵
disp("测试集准确率:");
disp(testAccuracy);
disp("混淆矩阵:");
disp(confMat);

上面的代码首先加载CIFAR-10数据集，然后定义了一个包含4层的卷积神经网络。接下来，设置训练参数并使用`trainNetwork`函数训练网络。训练过程中将输出训练进度图表。训练完成后，使用`classify`函数对测试集进行分类，然后使用`confusionmat`函数计算混淆矩阵。最后，计算测试集准确率并将其与混淆矩阵一起输出。