在此示例中，使用了 CIFAR-10 数据集，其中包含10个类别的60000个32x32彩色图像。首先加载和预处理数据，然后定义了一个简单的卷积神经网络模型。接下来，定义了训练选项，包括优化器、学习率、最大训练周期数等。然后，使用训练选项训练深度学习模型，并评估其在测试集上的性能。这是一个简单的图像分类示例，可以根据自己的数据和任务来调整模型结构和参数，并使用不同的数据集来进行训练和评估。

% 步骤1：准备数据
% 假设你有一个包含图像和标签的数据集，例如 CIFAR-10 数据集

% 步骤2：加载和预处理数据
[XTrain, YTrain, XTest, YTest] = loadData(); % 加载数据集

% 步骤3：定义深度学习模型
layers = [
    imageInputLayer([32 32 3]) % 输入层，图像大小为32x32，RGB通道数为3
    convolution2dLayer(3, 16, 'Padding', 'same') % 卷积层
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU激活函数层
    maxPooling2dLayer(2, 'Stride', 2) % 最大池化层
    convolution2dLayer(3, 32, 'Padding', 'same') % 卷积层
    batchNormalizationLayer % 批归一化层
    reluLayer % ReLU激活函数层
    maxPooling2dLayer(2, 'Stride', 2) % 最大池化层
    fullyConnectedLayer(10) % 全连接层，输出类别数为10
    softmaxLayer % softmax激活函数层
    classificationLayer]; % 分类层

% 步骤4：定义训练选项
options = trainingOptions('adam', ...
    'InitialLearnRate', 0.001, ...
    'MaxEpochs', 20, ...
    'MiniBatchSize', 128, ...
    'Shuffle', 'every-epoch', ...
    'ValidationData', {XTest, YTest}, ...
    'ValidationFrequency', 10, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

% 步骤5：训练深度学习模型
net = trainNetwork(XTrain, YTrain, layers, options);

% 步骤6：评估模型性能
YPred = classify(net, XTest);
accuracy = sum(YPred == YTest) / numel(YTest);
disp(['测试集准确率：', num2str(accuracy)]);

% 辅助函数：加载数据集
function [XTrain, YTrain, XTest, YTest] = loadData()
    % 从 CIFAR-10 数据集中加载数据
    cifar10Data = load('cifar10.mat');
    XTrain = cifar10Data.data_train;
    YTrain = categorical(cifar10Data.labels_train);
    XTest = cifar10Data.data_test;
    YTest = categorical(cifar10Data.labels_test);
end