步骤一：P-NET，该步骤主要生成了一堆候选区域的边框，并采用NMS(非极大值)机制进行相应的合并。这与目标检测过程中的原理类似。
步骤二：R-NET，即对步骤一的结果再进一步细划，得到更精细的候选区域。
步骤三：O-NET，输出结果。(人脸边框和特征点位置)
补充：
(1) 文中训练使用了Online Hard sample mining策略，即在一个batch中只选择loss占前70%的样本进行BP;
(2) 不同阶段，classifier、boundingbox regression 和 landmarks detection在计算Loss时的权重是不一样的；
(3) 训练数据共4类，比例3:1:1:2，分别是negative，IOU<0.3; positive,IOU>0.65; part face,0.4
本算法从三个方面对CNN检测器进行训练：人脸分类、边界框回归、地标定位（关键点定位）。
√OS 模块
os.getcwd()：返回当前工作目录。
os.path.join(path1[,path2[,......]])：
返回值：将多个路径组合后返回。
注意：第一个绝对路径之前的参数将被忽略。
例：
>>> import os
>>> vgg16_path = os.path.join(os.getcwd(),"vgg16.npy")
#当前目录/vgg16.npy，索引到 vgg16.npy 文件