实验2：SAR目标识别——卷积神经网络分类

本节使用卷积神经网络对SAR图像进行目标识别，卷积神经网络是专门针对空间数据（矩阵）的深度学习模型，在图像识别等领域效果显著。

本实验主要涉及网络的建构设计和训练，并针对MSTAR数据集，采用类似前小节的方法读取数据，具体方法如下：

其中，image2vector函数接受一个图像文件名，通过opencv库读取图像，且参数cv2.IMREAD_GRAYSCALE表示强制将图像读取为灰度图像。然后执行图像尺度归一化到128像素*128像素，最后将矩阵拉直为一个向量。图像（灰度）本身可以理解为一个二维矩阵，彩色图像可以理解为一个三通道的张量。

其中，create_data函数接受一个目录，通过os.listdir搜索目录下所有的子目录和文件，该函数通过调用image2vector将图像矩阵转化为一维向量。该方法在返回样本和标签的同时，还返回了每类样本的个数词典。

其中，DataSet类定义了一个数据集管理类，该类在初始化是对图像进行了一个映射，将样本归一化到-1至1之间，其中next_batch方法，根据输入batch_size参数从数据集中返回一批数据。DataSets类中包含一个train和一个test，分别存放训练和测试数据。

以上内容定义了一个卷积神经网络，最开始定义了学习率，迭代步数和Batch大小，并设置输入样本维度，输出维度和Dropout丢弃率。然后，定义了一个全局均值池化函数，对每个通道上的特征进行全局池化。最后定义一个卷积网络，网络接受一个images变量输入，变量由128*128*3的若干图像组成，经过5个卷积、ReLU和最大值池化层，每幅图像输出一个4*4*512维的特征图，再接一个卷积和全局池化层，输出一个1*1*1024维的特征，扁平化后全连接到1024并对结果最dropout处理，最后一个全连接将结果映射到三个类别。

该函数定义一个训练网络和一个测试网络，测试网络只需要前向计算网络输出即可，而村落网络需要计算交叉熵损失，并采用Adam优化器对网络参数进行更新。

最后，构建模型并调用训练和测试方法，分别对训练数据和标签进行训练，对测试数据和测试标签计算精度。

运行代码可以得到如下结果：

从上述结果可以发现，训练中损失不断降低，最后的损失为3.785826*10-5，最终测试精度达到了96.9%。