以下是一个使用深度学习的程序实例：

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout
from tensorflow.keras.optimizers import RMSprop# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()# 数据预处理
x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255# 类别标签进行One-Hot编码
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)# 构建深度学习模型
model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))# 编译模型
model.compile(loss='categorical_crossentropy',optimizer=RMSprop(),metrics=['accuracy'])# 训练模型
batch_size = 128
epochs = 10
history = model.fit(x_train, y_train,batch_size=batch_size,epochs=epochs,verbose=1,validation_data=(x_test, y_test))# 评估模型
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

上述代码是一个简单的手写数字识别程序，使用了深度学习模型进行训练和预测。首先，通过mnist.load_data()函数加载了MNIST数据集，数据集包含了手写数字的图像和对应的标签。

然后，对数据进行预处理，包括将图像数据转换为浮点数并归一化，以及对标签进行One-Hot编码。

接下来，使用Sequential()创建了一个序列模型，并添加了两个全连接层和一个Dropout层。模型通过RMSprop优化器和交叉熵损失函数进行编译。

然后，使用fit()函数训练模型，并将训练数据和测试数据作为输入。训练过程中，可以指定批次大小、训练轮数等参数。

最后，使用evaluate()函数评估模型在测试数据上的性能，并打印出损失值和准确率。

这个程序使用深度学习模型对手写数字图像进行分类，可以实现较高的准确率。