选择一个应用场景，自己准备数据集，写一段代码用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

在图像分类任务中，我们可以选择使用深度学习模型ResNet（残差网络）对 CIFAR-10 数据集进行训练。CIFAR-10 包含10种类别的彩色图像，非常适合初学者练习。

首先，我们需要安装必要的库，如TensorFlow或PyTorch，并导入数据集：

import tensorflow as tf
from tensorflow.keras import datasets

(x_train, y_train), (x_test, y_test) = datasets.cifar10.load_data()

然后，我们创建一个简单的ResNet模型：

model = tf.keras.applications.ResNet50V2(weights='imagenet', include_top=False, input_shape=(32, 32, 3))

接着，我们会调整（修改）模型，例如减小复杂度、添加自定义层等：

from tensorflow.keras.layers import GlobalAveragePooling2D, Dense
custom_model = tf.keras.Sequential([
    model,
    GlobalAveragePooling2D(),
    Dense(10, activation='softmax')
])

开始训练模型：

custom_model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
history = custom_model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=10)

训练完成后，评估模型性能：

test_loss, test_acc = custom_model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")

为了对比实验，我们可以尝试其他模型，比如VGG16或MobileNetV2：

vgg_model = tf.keras.applications.VGG16(weights='imagenet', ...)
mobilenet_model = tf.keras.applications.MobileNetV2(weights='imagenet', ...)

# 分别训练和评估这两个模型
...

通过比较这三个模型在相同数据集上的准确率、训练时间以及资源消耗（如GPU占用），可以分析出每个模型的优劣。例如，如果ResNet由于更深的层次而训练时间更长，但精度更高，那么它可能是更好的选择。反之，如果MobileNetV2速度更快但效果略逊一筹，则适合实时或资源受限场景。