编写一个matlab程序，实现CNN网络水果分类

以下是一个基于MATLAB的CNN网络水果分类程序的示例：

% 加载训练数据和测试数据
trainData = imageDatastore('train', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
testData = imageDatastore('test', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');

% 定义卷积神经网络
layers = [
    imageInputLayer([32 32 3])
    convolution2dLayer(3, 32, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 64, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 128, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    fullyConnectedLayer(3)
    softmaxLayer
    classificationLayer
];

% 定义训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 20, ...
    'MiniBatchSize', 32, ...
    'Shuffle', 'every-epoch', ...
    'InitialLearnRate', 1e-3, ...
    'Verbose', true, ...
    'Plots', 'training-progress');

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

% 测试卷积神经网络
YPred = classify(net, testData);
YTest = testData.Labels;
accuracy = sum(YPred == YTest) / numel(YTest);
fprintf("Accuracy: %f\n", accuracy);

在这个程序中，我们首先加载了训练数据和测试数据，并定义了一个卷积神经网络。网络结构包含了三个卷积层、三个批归一化层、三个ReLU层、两个最大池化层、一个全连接层、一个softmax层和一个分类层。接着，我们定义了训练选项，包括优化器、最大训练轮数、批大小、学习速率等参数。最后，我们使用训练数据对卷积神经网络进行训练，并使用测试数据对模型进行测试，并输出准确率。

需要注意的是，以上代码仅是一个示例，实际应用中需要根据具体问题进行调整和优化。