骨干网使用Alexnet和VGG，针对rcs数据分别有2通道，4通道和ifft的识别模型，其中ifft识别效果最佳。

存放1~10个类别的rcs数据，每个文件夹存放250帧的mat文件，每帧包含Ev,Eh两种极化接收方式，两种接收数据大小均为401x512，401对应8G到10GHz的采样点数， 512对应不同方位角俯仰角的接收位置。

存放训练集、验证集、测试集文件路径与类别的txt文件

生成txt格式的标签文件

观察转换后数据情况

直接abs接收数据的dataset，送入网络时是2x401x512

分开使用接收数据实部虚部的dataset，送入网络时是4x401x512

对频谱数据做ifft到时域后取abs的dataset，送入网络时是2x401x512

存放Alexnet，VGG网络及各种trick.

存放网络模型的与训练权重，加速网络训练速度，优化训练效果。Alexnet的预训练权值文件原链接丢失，目前方便获取的只有VGG权值。

存放test的预测结果

存放训练结果，包括.pth文件和训练损失记录

准确率测试

损失函数，采用交叉熵损失函数

生成预测结果

训练文件

主文件，train,eval,test均在通过主文件完成

注：batch_size根据电脑配置和模型大小调整，一般取2的次幂数

Alexnet:
python main.py --phase train --channel 2 --model Alexnet --ifft True --batch_size 16
VGG:
python main.py --phase train --channel 2 --model vgg --ifft True --batch_size 16

Alexnet:
python main.py --phase eval --channel 2 --model Alexnet --ifft True --batch_size 16 --resume path(比如model_24.pth) --test_txt test.txt
VGG:
python main.py --phase eval --channel 2 --model vgg --ifft True --batch_size 16 --resume path(比如model_24.pth) --test_txt test.txt

python main.py --phase train --channel 2 --model Alexnet --ifft False --batch_size 16

python main.py --phase eval --channel 2 --model Alexnet --ifft False --batch_size 16 --resume path(比如model_24.pth) --test_txt test.txt

python main.py --phase train --channel 4 --model Alexnet --ifft True --batch_size 8

python main.py --phase eval --channel 4 --model Alexnet --ifft True --batch_size 8 --resume path(比如model_24.pth) --test_txt test.txt

python main.py --phase train --channel 4 --model Alexnet --ifft False --batch_size 8

python main.py --phase eval --channel 4 --model Alexnet --ifft False --batch_size 8 --resume path(比如model_24.pth) --test_txt test.txt