win10搭建cntk环境并使用fastRcnn实现目标检测
准备阶段，在这里我是基于anaconda进行安装的，所以首先去anaconda官网下载anaconda3，最好下载anaconda3，因为听说numpy库貌似不支持python2了，官网上有三个版本，windows，linux以及mac版，我们下载windows版即可，链接如下：https://www.anaconda.com/download/。接着下载cntk的工具包，在这里需要强调的是，我觉得貌似微软的文档有bug，因为首先下载的是cntk2.2的版本，但是在实现目标检测时，总是出错，我尝试着安装了四五遍，都一样的结果，总是提醒没有fastRcnn.utils.Cython，可是自己明明都安装了Cython这个库，有哪位网友安装好cntk2.2版本的并使用FasterRcnn实现目标检测的而不是fastRcnn的欢迎与我交流。最后没办法只好下载cntk2.0版本的，2.0版本的不支持fasterRcnn。链接如下：https://github.com/Microsoft/CNTK/releases。
安装阶段：anaconda是傻瓜是的安装，安装过程中不能改变路径，安装完成在命令行输入conda命令测试即可，出现如下画面表示安装成功。当然安装不成功的情况我也出现过，哈哈。
完成anaconda的安装之后，需要配置cntk的环境变量，将下载的cntk压缩包进行解压，然后配置环境变量，步骤如下：
右击我的电脑，属性，高级系统设置，环境变量，将上面的路径添加到path中即可，跟配置其他的环境变量一样。配置完再命令行中测试一下，结果如下：
接着在命令行执行conda create --name cntk-py35 python=3.5 numpy scipy h5py jupyter，注意这里我选的是python3.5,你也可以选择python3.4都可以
执行这行命令，系统会下载很多包，我们等待即可。完成之后，利用activate cntk-py35**cntk。因为我已经安装，所以我只截一个**命令窗户，如下：
如果你安装的是python3.4，那就**cntk-py34.接着我们用pip安装cntk的包，注意pip是你在安装anaconda的时候自带的。命令如下：
pip install https://cntk.ai/PythonWheel/CPU-Only/cntk-2.0-cp35-cp35m-win_amd64.whl 注意这里是cntk2.0版本，跟我们先前下载的cntk2.0版本相对应，还有cp35也跟python3.5对应，不能错，错了万劫不复，哈哈。具体可以看微软给的官方文档，这是链接：https://docs.microsoft.com/en-us/cognitive-toolkit/Setup-Windows-Python?tabs=cntkpy20。
至此，cntk的环境搭建完成，但是实现我们的目标检测还没完。首先进入我们刚刚下载的cntk的fastRcnn目录如下：
然后在这目录下，执行python install_fastrcnn命令，执行此命令，会下载一个Alex.model的网络模型，它是用来做预训练的，如下因为我已经下载好了，它会显示已存在。
然后进入C:\cntk\Examples\Image\DataSets\Grocery，下载相应的数据集。
接着进入C:\cntk\Examples\Image\Detection\FastRCNN，目录执行pip install -r requirements.txt，这是在下载相应的库文件，如果在后面之执行的时候，总是报no moudle named xxx,则表示库没有安装成功，此时我们执行 pip install xxx,正常情况下是这样，还有不正常的，比如no moudle named past,这个时候我们执行pip install future,哈哈。
接下来安装opencv库和scikit-image库，同样用pip命令进行安装即可。但是如果总是安装不成功的话，也可以进入到python库官网下载，注意此时，一定要下载与python版本对应的库。链接如下：https://www.lfd.uci.edu/~gohlke/pythonlibs/，下载后，在该文件目录下执行 pip install 库的全名。如pip install scikit_image-0.13.1-cp35-cp35m-win_amd64.whl。
这里我需要强调的是，cntk2.0版本真的有bug，因为里面有很多文件丢失，或者移到另外的目录下，然后还有下载的预训练的网络模型总是有问题，并且技术文档说得也不是很清楚，所以我才装的cntk2.0，但是cntk2.0版本不支持fasterRcnn。
以上用于做目标检测的所有准备工作已经完成。
接着我们就可以处理数据了。这里就不想详细赘述了。在fastRcnn目录下，按顺序执行以下命令即可。
python A1_GenerateInputROIs.py
python B1_VisualizeInputROIs.py
python B2_EvaluateInputROIs.py
python A2_RunWithBSModel.py 此命令就是在训练我们自己的网络，如果在cpu上，可能需要一个多小时。
python B3_VisualizeOutputROIs.py 这里就可以看到我们的结果了。
我们还可以在自己的数据集做实验，来进行目标检测或者分类，因为fastRcnn是把目标检测和分类一起做了的。可以参考以下链接：
https://docs.microsoft.com/en-us/cognitive-toolkit/Object-Detection-using-Fast-R-CNN
最后秀一下小哥自己做得实验。
同时，如果了解深度学习的话，我们调整网络的一下参数。比如minibatch，epoch，learningrate等，当然啦这是后话了。