我现在有一个训练集文件夹，这个文件夹下属有10个子文件夹，这10个子文件夹代表了训练集的10个子类，现在用这些图片训练一个图像分类器，要求使用卷积神经网络，并且给出训练结果的好坏，并最终导出模型。给出一个可以用的Matlab程序

以下是一个可以用的 Matlab 图像分类器训练程序，使用卷积神经网络：

% 设置训练集文件夹路径和输出模型路径
train_folder = 'path/to/train_folder';
output_model_path = 'path/to/output_model';

% 加载图像数据
imds = imageDatastore(train_folder, 'IncludeSubfolders', true, 'LabelSource', 'FolderNames');

% 设置图像尺寸
input_size = [224 224 3];

% 加载预训练好的卷积神经网络模型
net = resnet50;

% 替换最后一层全连接层，因为我们的数据集只有10个类别
num_classes = numel(categories(imds.Labels));
lgraph = layerGraph(net);
new_fc = fullyConnectedLayer(num_classes, 'Name', 'new_fc');
lgraph = replaceLayer(lgraph, 'fc1000', new_fc);

% 设置训练选项
options = trainingOptions('sgdm', ...
    'MiniBatchSize', 32, ...
    'MaxEpochs', 10, ...
    'InitialLearnRate', 0.001, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

% 训练模型
trained_net = trainNetwork(imds, lgraph, options);

% 保存训练好的模型
save(output_model_path, 'trained_net');

这个程序会加载训练集文件夹下所有子文件夹中的图片，并根据文件夹名字将其分为10个类别。然后使用一个预训练好的 ResNet-50 卷积神经网络作为基础模型，替换最后一层全连接层，使其可以分类10个类别。之后使用 SGD 优化器进行训练，训练10个 epoch，并将训练好的模型保存到指定路径。

训练结果的好坏可以通过训练过程中的损失函数和准确率来评估。使用 `options` 结构体中的 `'Plots', 'training-progress'` 参数可以在训练过程中显示训练曲线图，包括训练集和验证集的损失函数和准确率。还可以使用 `evaluate` 函数在验证集上评估模型的准确率。