tensorflow C++ API相对python来说极不完善， 很难单独完成一个神经网络，从各种资料来看，tensorflow涉及C++都是通过加载固化的模型图和参数，直接应用模型。 相对python，C++写的测试速度更快，容易部署。
C++写tensorflow有两种build方式：1. 把project建在tensorflow源码文件夹内，用Bazel build，Bazel 会解决依赖问题; 2. 先用安装其他第三方库，再Bazel把Tensorflow源码build一个tensorflow C++的动态库，之后项目编译的时候自己连接需要的动态库。 方法1其实是build项目的同时build了整个tensorflow，因此build速度慢，生成的二进制文件最少也有100M，此外还限制了项目位置。我们采用第二种方法。
ref: https://stackoverflow.com/questions/33620794/how-to-build-and-use-google-tensorflow-c-api
-
安装第三方库：bazel， protobuf，eigen，abseil，opencv
编译Tensorflow动态库的时候，要注意Bazel会自己下载build所需的第三方库，为保证Tensorflow的动态库正确连接，需要确保系统安装的第三方库和Bazel下载的第三方库版本相同，
tensorflow/workspace.bzl上有build时依赖三方库的版本号，系统安装的时候选择相应的版本(最主要是protobuf和eigen)。opencv 4.0 默认安装的动态库在
/usr/local/lib64。 -
clone tensorflow，build tensorflow_cc.so, 复制需要的头文件、动态库到系统目录
tensorflow提供了一个python脚本freeze_graph可以将pythonSaver.save生成的权重数据以及tf.train.write_graph生成的静态图结合在一起，将模型固化成一个二进制文件，可供python或者C++调用。
-
保存图和checkpoints
data/save_model.py保存MTCNN模型的三个卷积网络的权重和图，模型的python实现及权重数据来源于davidsandberg/facenet, 这里只是增加了一个保存模型数据和图的函数。 -
固化及测试
freeze_graph.py需要提供权重数据，静态图，输入节点名，输出节点名，运行data/freeze.sh将三个网络的模型固化到data/ckpt。data/freeze_check.py测试固化是否成功，它用python读取刚固化的模型，前向传播，然后比较结果。
本实现主要包括三个类，mtcnn，network，bbox
-
mtcnn
主要是各个阶段的连接，如图片数据的预处理，原始bounding_boxes的生成，输出等。包含3个
network的实例P-Net, R-Net, O-Net, 以及一个bbox的实例处理面部信息。 -
network
固化卷积网络载入，session建立，以及前向传播。
-
bbox
一个
vector保存提取的bounding_boxes，以及处理bounding_boxes的函数，包括NMS，回归，Rect2Squara, Padding。
ref：
- load frozen model with c++: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/label_image
- Tensor accessing: https://stackoverflow.com/questions/39379747/import-opencv-mat-into-c-tensorflow-without-copying
./test
argparse:
- --input_image "data/test.jpg", "image to be processed"
- --output_image "output.jpg", "output image to be saved"
- --min_face 40, "minimum face size to detect"
- --confident_threshold "0.7 0.7 0.7", "confident threshold for P-Net, R-Net, O-Net, separated by a space"
- --nms_merge_threshold "0.4 0.6 0.6 0.7", "NMS merge threshold for stage 1 intra, stage 1, stage 2, stage 3"
- --factor 0.709, "factor for scale pyramid image"