请详细注释每一行代码

% 设置数据集路径，包含手写数字图片
digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos', ...
    'nndatasets','DigitDataset');

% 创建ImageDatastore，包括子文件夹，以folder名称作为标签源
imds = imageDatastore(digitDatasetPath, ...
    'IncludeSubfolders',true,'LabelSource','foldernames');

% 获取所有样本的数量
numSamples = numel(imds.Files);

% 显示20张随机选取的图片
figure;
perm = randperm(numSamples,20); % 随机排列样本索引
for i = 1:20
    subplot(4,5,i); % 绘制子图
    imshow(imds.Files{perm(i)}); % 展示图片
end

% 将样本分成训练集（70%）和验证集（30%），随机分配
[numTrainFiles, imdsValidation] = splitEachLabel(imds, 0.9, 'randomize');

% 定义卷积神经网络的层级结构
layers = [
    imageInputLayer([28 28 1]) % 输入层，灰度图片，28x28尺寸
    % 卷积层1：3x3卷积核，8个滤波器，padding='same'保持原尺寸
    convolution2dLayer([3 3], 8, 'Padding', 'same')
    batchNormalizationLayer            % 归一化层
    reluLayer                            % ReLU激活函数
    % 最大池化层，窗口2x2，步长2，减小特征图尺寸
    maxPooling2dLayer(2, 'Stride', 2)
    
    % 同理，添加更多卷积层、归一化层、ReLU和池化层...
    
    % 全连接层，输出节点数为10，对应10个类别
    fullyConnectedLayer(10)
    % softmax层，用于输出各类别的概率分布
    softmaxLayer
    % 分类层，根据softmax结果进行最终分类决策
    classificationLayer
];

% 配置训练选项，例如SGD（随机梯度下降）带动量，其他参数如学习率、轮数等
options = trainingOptions('sgdm', ...
    'InitialLearnRate', 0.01, % 初始学习率
    'MaxEpochs', 4,           % 最大迭代次数
    'Shuffle', 'every-epoch',   % 每次迭代前都会打乱数据
    'ValidationData', imdsValidation, % 验证集
    'ValidationFrequency', 30,     % 每多少轮验证一次
    'Verbose', false,             % 是否打印训练信息
    'Plots', 'training-progress'); % 是否显示训练进度图

% 使用训练选项和训练集训练模型
net = trainNetwork(imdsTrain, layers, options);

% 保存训练好的模型
save('trainedNet.mat', 'net'); % 保存模型到'modifiedNet.mat'文件

以上代码主要完成以下任务：
1. 设置数据集路径，并创建ImageDatastore管理手写数字图片。
2. 展示随机挑选的20张图片。
3. 数据划分：将数据划分为训练集（70%）和验证集（30%）。
4. 设计卷积神经网络的层次结构。
5. 配置训练选项，包括优化器、学习率、最大迭代次数等。
6. 使用训练集和网络结构进行模型训练。
7. 保存训练完成的模型。