準備階段，在這裡我是基於anaconda進行安裝的，所以首先去anaconda官網下載anaconda3，最好下載anaconda3，因為聽說numpy庫貌似不支援python2了，官網上有三個版本，windows，linux以及mac版，我們下載windows版即可，連結如下：https://www.anaconda.com/download/。接著下載cntk的工具包，在這裡需要強調的是，我覺得貌似微軟的文件有bug，因為首先下載的是cntk2.2的版本，但是在實現目標檢測時，總是出錯，我嘗試著安裝了四五遍，都一樣的結果，總是提醒沒有fastRcnn.utils.Cython，可是自己明明都安裝了Cython這個庫，有哪位網友安裝好cntk2.2版本的並使用FasterRcnn

        安裝階段：anaconda是傻瓜是的安裝，安裝過程中不能改變路徑，安裝完成在命令列輸入conda命令測試即可，出現如下畫面表示安裝成功。當然安裝不成功的情況我也出現過，哈哈。

              完成anaconda的安裝之後，需要配置cntk的環境變數，將下載的cntk壓縮包進行解壓，然後配置環境變數，步驟如下：

右擊我的電腦，屬性，高階系統設定，環境變數，將上面的路徑新增到path中即可，跟配置其他的環境變數一樣。配置完再命令列中測試一下，結果如下：

          接著在命令列執行conda create --name cntk-py35 python=3.5 numpy scipy h5py jupyter，注意這裡我選的是python3.5,你也可以選擇python3.4都可以

執行這行命令，系統會下載很多包，我們等待即可。完成之後，利用activate cntk-py35啟用cntk。因為我已經安裝，所以我只截一個啟用命令窗戶，如下：

如果你安裝的是python3.4，那就啟用cntk-py34.接著我們用pip安裝cntk的包，注意pip是你在安裝anaconda的時候自帶的。命令如下：

pip install https://cntk.ai/PythonWheel/CPU-Only/cntk-2.0-cp35-cp35m-win_amd64.whl 注意這裡是cntk2.0版本，跟我們先前下載的cntk2.0版本相對應，還有cp35也跟python3.5對應，不能錯，錯了萬劫不復，哈哈。具體可以看微軟給的官方文件，這是連結：https://docs.microsoft.com/en-us/cognitive-toolkit/Setup-Windows-Python?tabs=cntkpy20。

至此，cntk的環境搭建完成，但是實現我們的目標檢測還沒完。首先進入我們剛剛下載的cntk的fastRcnn目錄如下：

然後在這目錄下，執行python install_fastrcnn命令，執行此命令，會下載一個Alex.model的網路模型，它是用來做預訓練的，如下因為我已經下載好了，它會顯示已存在。

然後進入C:\cntk\Examples\Image\DataSets\Grocery，下載相應的資料集。

接著進入C:\cntk\Examples\Image\Detection\FastRCNN，目錄執行pip install -r requirements.txt，這是在下載相應的庫檔案，如果在後面之執行的時候，總是報no moudle named xxx,則表示庫沒有安裝成功，此時我們執行 pip install xxx,正常情況下是這樣，還有不正常的，比如no moudle named past,這個時候我們執行pip install future,哈哈。

接下來安裝opencv庫和scikit-image庫，同樣用pip命令進行安裝即可。但是如果總是安裝不成功的話，也可以進入到python庫官網下載，注意此時，一定要下載與python版本對應的庫。連結如下：https://www.lfd.uci.edu/~gohlke/pythonlibs/，下載後，在該檔案目錄下執行 pip install 庫的全名。如pip install scikit_image-0.13.1-cp35-cp35m-win_amd64.whl。

這裡我需要強調的是，cntk2.0版本真的有bug，因為裡面有很多檔案丟失，或者移到另外的目錄下，然後還有下載的預訓練的網路模型總是有問題，並且技術文件說得也不是很清楚，所以我才裝的cntk2.0，但是cntk2.0版本不支援fasterRcnn。

以上用於做目標檢測的所有準備工作已經完成。

接著我們就可以處理資料了。這裡就不想詳細贅述了。在fastRcnn目錄下，按順序執行以下命令即可。

python A1_GenerateInputROIs.py

python B1_VisualizeInputROIs.py

python B2_EvaluateInputROIs.py

python A2_RunWithBSModel.py  此命令就是在訓練我們自己的網路，如果在cpu上，可能需要一個多小時。

python B3_VisualizeOutputROIs.py   這裡就可以看到我們的結果了。

我們還可以在自己的資料集做實驗，來進行目標檢測或者分類，因為fastRcnn是把目標檢測和分類一起做了的。可以參考以下連結：

https://docs.microsoft.com/en-us/cognitive-toolkit/Object-Detection-using-Fast-R-CNN

最後秀一下小哥自己做得實驗。

同時，如果瞭解深度學習的話，我們調整網路的一下引數。比如minibatch，epoch，learningrate等，當然啦這是後話了。