聲明：每人都有自己的理解，動手實踐才能對細節更加理解！
參考：https://www.cnblogs.com/darkknightzh/p/10043864.html
一.算法理解
此處省略一萬字。。。。。。。。。。。。。。。。。。
二.訓練及源碼理解
首先配置：
在./lib/utils文件下....運行
python setup.py build_ext --inplace
python setup.py build_ext install
Go to ./lib/utils文件夾下...運行
python setup.py build_ext --inplace
- 數據介紹：檢測圖片當中的手寫體區域，圖片不多自己標注了大約800張，但是圖片中的手寫體區域大約幾千個，之前訓練CTPN自己制作的數據集。
- 數據格式：分為3個文件夾，首先是JPEGImages(存放的訓練圖片，命名格式:000000.png,000001.png...等)，然后是ImageSets(里面分Layout（包括test.txt,train.txt,trainval.txt,val.txt,存放訓練測試驗證的文件名稱）和Main即可)，另外Annotations(存放的是標注數據，xml格式的，之前數據標注在txt里面，自己轉為xml標標准格式存儲，或者用labelImg-master(Windows)標注，直接生成xml即可)，至此數據准備完畢。。。。。。。
- 模型准備：默認前段卷積網絡VGG16,vgg16需要自己下載，存放在路徑.data/imagenet_weights/vgg16.ckpt
- 訓練：train.py，主要流程及核心代碼如下
net.create_architecture(sess, "TRAIN", self.imdb.num_classes, tag='default')
rois, cls_prob, bbox_pred = self.build_network(sess, training) rois為roi pooling層得到的框，cls_prob分類得分，bbox_pred框預測
net = self.build_head(is_training) vgg16卷積層提取特征，圖片縮小16倍
rpn_cls_prob, rpn_bbox_pred, rpn_cls_score, rpn_cls_score_reshape = self.build_rpn(net, is_training, initializer) rpn網絡（anchor生成與原圖對應坐標），分類得分，候選框偏移等
rois = self.build_proposals(is_training, rpn_cls_prob, rpn_bbox_pred, rpn_cls_score) 通過超出圖片區域，nms等篩選出合適的rois
cls_score, cls_prob, bbox_pred = self.build_predictions(net, rois, is_training, initializer, initializer_bbox) roi pooling,全連接預測等
- 訓練自己數據修改的地方，手寫體識別就設置了一個類別：chinese,在源碼pascal_voc.py中修改self._classes=('__background__', 'chinese'）可以按照自己的類別進行修改，注意圖片后綴格式，然后修改各種路徑就可以訓練了。
- 測試：迭代了10000次，用demo代碼進行測試，數據較少，訓練次數也不多，效果還可以，注意修改CLASSES = ('__background__', 'chinese') 預測結果如圖所示：
-
