首先介绍一下MTCNN的网络结构，MTCNN有三种网络，训练网络的时候需要通过三部分分别进行，每一层网络都依赖前一层网络产生训练数据供当前训练网络，这样也推动了两个网络之间的最小损耗。
Pnet
Rnet
Onet
MTCNN的人脸模型按照以上结构按照三部分进行训练。
DFace有两个主要模块，即检测和识别。在这两个模块中，我们提供了有关如何训练模型和运行的所有教程。
首先设置一个pytorch和cv2，版本要求：
* pytorch==0.4.0
* torchvision==0.2.0
* opencv-python==3.4.0.12
pip install torch==0.4.0 torchvision==0.2.0 -ihttps://pypi.tuna./simple
pip install opencv-python==3.4.0.12 -i https://pypi.tuna./simple
安装依赖库matplotlib：pip install matplotlib
(1)首先将DFace包git到本地用户目录，不要放在根目录：
git clone /tuvia0213/DFace.git
(2)添加DFace路径添加到本地python路径：
export PYTHONPATH=$PYTHONPATH:{your local DFace root path}/DFace
(3)打开../DFace路径将WIDER FACE数据集下载到../DFace/WIDER_train/下
(WIDER_train下载地址http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/)；
将CelebA下载到../DFace/Celeba/路径下
(CelebA下载地址：http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html)
并将../CelebA/Img/目录下的img_align_celeba压缩包解压到该目录；其中WIDER FACE用于训练人脸分类器与人脸约束框(Bounding Box，代码里常见形式为BBox)，CelebA用于训练人脸坐标点(landmark点，人脸检测中的标点为双眼、鼻子、两个嘴角)；
(4)进入到../DFace路径下，生成PNet训练数据和注释文件(annotation file)：
python dface/prepare_data/gen_Pnet_train_data.py --prefix_path WIDER_train/images/ --dface_traindata_store data/ --anno_file anno_store/wider_origin_anno.txt
(5)组合注释文件并将其随机分布：
python dface/prepare_data/assemble_pnet_imglist.py
(6)训练Pnet模型：
python dface/train_net/train_p_net.py
(7)生成RNet训练数据和注释文件:
python dface/prepare_data/gen_Rnet_train_data.py --prefix_path WIDER_train/images/ --dface_traindata_store data/ --anno_file anno_store/wider_origin_anno.txt --pmodel_file model_store/pnet_epoch_10.pt
(8)组合注释文件并将其随机分布：
python dface/prepare_data/assemble_rnet_imglist.py
(9)训练Rnet模型：
python dface/train_net/train_r_net.py
(10)生成ONet训练数据和注释文件:
python dface/prepare_data/gen_Onet_train_data.py --prefix_path WIDER_train/images/ --dface_traindata_store data/ --anno_file anno_store/wider_origin_anno.txt --pmodel_file model_store/pnet_epoch_10.pt --rmodel_file model_store/rnet_epoch_10.pt
(11)生成Onet训练landmark点数据，在此之前，生成testImageList.txt，需先将merge_file.py复制到celeba/CelebA/Anno路径下：
python dface/prepare_data/gen_landmark_48.py --dface_traindata_store data/ --anno_file celeba/CelebA/Anno/testImageList.txt --prefix_path celeba/CelebA/Img/img_align_celeba
(12)组合注释文件并将其随机分布：
python dface/prepare_data/assemble_onet_imglist.py
(13)训练Onet模型：
python dface/train_net/train_o_net.py
DFace路径下提供了测试图片与测试脚本，可以用于测试训练网络的识别效果，回到../DFace路径下：
python test_image.py
显示出识别图片效果：
至此，模型训练完成，可以使用../DFace/model_store下的pnet_epoch_10.pt rnet_epoch_10.pt onet_epoch_10.pt进行模型转换，从pytorch转caffe转ncnn。
