以下是一个用MATLAB深度学习工具箱进行图像分类任务的完整示例代码。该示例使用了一个预训练的深度卷积神经网络（CNN）模型来对图像进行分类：

% 步骤1：加载和准备数据
% 这里使用MATLAB自带的图像分类数据集
imds = imageDatastore('C:\path\to\your\image\dataset', ...
    'IncludeSubfolders',true, 'LabelSource','foldernames');

% 步骤2：加载预训练的CNN模型
net = alexnet;

% 步骤3：分割数据集为训练集和测试集
[imdsTrain,imdsTest] = splitEachLabel(imds,0.7,'randomized');

% 步骤4：定义训练选项
options = trainingOptions('sgdm', ...
    'MiniBatchSize',10, ...
    'MaxEpochs',6, ...
    'InitialLearnRate',1e-4, ...
    'Shuffle','every-epoch', ...
    'ValidationData',imdsTest, ...
    'ValidationFrequency',30, ...
    'Verbose',false, ...
    'Plots','training-progress');

% 步骤5：训练模型
net = trainNetwork(imdsTrain,net,options);

% 步骤6：评估模型
YPred = classify(net,imdsTest);
YTest = imdsTest.Labels;
accuracy = sum(YPred == YTest) / numel(YTest);

fprintf('测试集准确率: %.2f%%\n', accuracy * 100);

% 步骤7：使用模型进行预测
% 你可以加载新图像并使用模型来进行分类
% 示例代码：
% newImage = imread('path\to\new\image.jpg');
% predictedLabel = classify(net, newImage);

% 步骤8：保存和部署模型（如果需要）
% 如果你满意模型的性能，你可以保存模型并部署到不同的应用程序中

% 释放不再需要的资源
clear imds imdsTrain imdsTest net options YPred YTest accuracy;