仔细看了看文档，琢磨了一下。为了实现人脸识别，需要实现以下几个步骤：
1、创建一个Person Group。人需要通过组来进行管理组织。每个组最多有1000个人，免费的每个订阅最多1000人，S0订阅的每个组10000人，每个订阅上限1M组、100M人。
2、创建一个Person。人是Face的拥有着。每个人最多有248张脸的图片。和人关联的脸是持久化的persistedFace，而使用detect等api读取的是非持久的Face。
3、为Person提供几张不同的Face。除了Face，还有FaceList对象，但更多用于分辨类似的脸。我估计要进行人脸识别，用Face对象就可以。
4、对提供的几张Face进行训练。人工智能需要对输入进行训练，利用认知服务进行分析并得到结果。理论上提供训练的数据越多，结果越准确。
5、提供一张用于比对的Face。上传一张图片，让人工智能判断是不是同一个人。
开始之前我要首先熟悉一下示例代码。前文提供的示例代码和Face API的示例代码使用了不同的模块。示例代码引入了requests这个库，使用它可以更灵活的完成有关HTTP的各类方法特别是传递数据。所以：
pip install requests
因为有两种不同的数据headers提交方式json和octet-steam，所以分开写了两个不同的headers头部定义。为了便于使用，把订阅的Key和访问的基础链接分别使用变量进行提供。
正式开干~首先是创建Person Group。和别的对象不同，PersonGroup的名字和ID都是字符串，只接受小写英文字符和‘-’、‘_’，不多于64个字符。
其他对象的ID都是类似GUID的形式。通常在创建对象的时候由服务返回。由于Person Group是首先创建的，所以其ID由用户指定也很合乎情理。创建Person Group之后，就可以在组里面创建人了。image
每一部我都是用了print来输出获得的json数据。由于添加Face需要提供Person ID，所以在这里我从json里面取出了personId的数据。
Python里面处理json可以用dump、dumps、load、loads不同的方法。loads能够把获得的json数据转成dict或者list，这在我踩过list的坑之后才想明白。一旦json中的数据分层了，转化出来的就是list了，这时就需要逐层处理数据。.
有了personId，就可以为特定的人添加Face了。官方示例代码给的是通过json传递一个图片的url。有很多人在下面问，怎么使用本地的照片呢？其实利用文件，然后使用octet-steam发送给Azure就可以了。经过一番对requests.request()参数的猜测和对文件的尝试，果然就能够把图片传上去了。persistedFaceId其实后面没有直接使用，为了学习我还是把它提取出来了。