选择一个应用场景，自己准备数据集，用代码来深度学习模型进行训练，调整（修改）模型，测试，得到结果；跟至少另外2种以上模型进行对比实验并分析实验分析结果

在一个典型的应用场景中，比如图像分类任务，我们可以选取MNIST手写数字识别数据集作为例子。首先，你需要下载并预处理数据集：

import tensorflow as tf
from tensorflow.keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 归一化像素值
x_train, x_test = x_train / 255.0, x_test / 255.0
# 将标签转换为独热编码
y_train = tf.keras.utils.to_categorical(y_train)
y_test = tf.keras.utils.to_categorical(y_test)

接下来，我们可以选择构建几个不同的深度学习模型，如全连接网络（Dense）、卷积神经网络（Convolutional Neural Network, CNN）以及残差网络（ResNet）。这里我们举个简单的例子：

1. 全连接网络（Dense Model）

model_dense = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

2. 卷积神经网络（CNN Model）

model_cnn = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

对每个模型进行训练、调整超参数（例如增加层数、优化器、学习率等），然后测试它们的表现：

dense_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
cnn_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

dense_history = dense_model.fit(x_train, y_train, epochs=10, validation_split=0.2)
cnn_history = cnn_model.fit(x_train, y_train, epochs=10, validation_split=0.2)

最后，通过计算测试集上每个模型的准确率来比较：

dense_loss, dense_accuracy = dense_model.evaluate(x_test, y_test)
cnn_loss, cnn_accuracy = cnn_model.evaluate(x_test, y_test)

print(f"Dense model accuracy: {dense_accuracy}")
print(f"CNN model accuracy: {cnn_accuracy}")

# 对比实验分析