end to end：指的是輸入原始資料，輸出的是最後結果，應用在特徵學習融入演算法，無需單獨處理。
end-to-end（端對端）的方法，一端輸入我的原始資料，一端輸出我想得到的結果。只關心輸入和輸出，中間的步驟全部都不管。
端到端指的是輸入是原始資料，輸出是最後的結果，原來輸入端不是直接的原始資料，而是在原始資料中提取的特徵，這一點在影象問題上尤為突出，因為影象畫素數太多，資料維度高，會產生維度災難，所以原來乙個思路是手工提取影象的一些關鍵特徵，這實際就是就乙個降維的過程。
那麼問題來了，特徵怎麼提？
特徵提取的好壞異常關鍵，甚至比學習演算法還重要，舉個例子，對一系列人的資料分類，分類結果是性別，如果你提取的特徵是頭髮的顏色，無論分類演算法如何，分類效果都不會好，如果你提取的特徵是頭髮的長短，這個特徵就會好很多，但是還是會有錯誤，如果你提取了乙個超強特徵，比如染色體的資料，那你的分類基本就不會錯了。
這就意味著，特徵需要足夠的經驗去設計，這在資料量越來越大的情況下也越來越困難。
於是就出現了端到端網路，特徵可以自己去學習，所以特徵提取這一步也就融入到演算法當中，不需要人來干預了。
簡單來說就是深度神經網路處理問題不需要像傳統模型那樣，如同生產線般一步步去處理輸入資料直至輸出最後的結果（其中每一步處理過程都是經過人為考量設定好的 (「hand-crafted」 function)）。
與之相反，只需給出輸入資料以及輸出，神經網路就可以通過訓練自動「學得」之前那些一步接一步的 「hand-crafted」 functions。
1、傳統系統需要幾個模組序列分別設計，end2end把中間模組都去掉了。
以機器翻譯為例 要設計翻譯模型 語言模型 調序模型
端到端就是直接乙個模型搞定
2、cnn就是比較典型的end2end模型。在影象分類裡輸入image各通道畫素，輸出影象類別。 相比於非end2end，conv層的卷積核可以充當feature extractor部分而不需要額外的工作去做特徵工程的內容。儘管每一層需要自己設計，但如何得到feature並不需要額外的操作。
3、另一種理解：就是輸入一頭豬，輸出的是香腸
2. google的*****: learning hand-eye coordination for robotic grasping with deep learning and large-scale data collection，也可以算是end-end學習：輸入，輸出控制機械手移動的指令來抓取物品。這篇**很讚，推薦：
3. deepmind神作human-level control through deep reinforcement learning，其實也可以歸為end-end，深度增強學習開山之作，值得學習：
end-end不是什麼新東西，也不是什麼神奇的東西，僅僅是直接輸入原始資料，直接輸出最終目標的一種思想。
深度學習中的大牛
只怪自己太貪玩，知道的少，不小心發現大牛都是一起的，圈子是真的小。大牛總是自帶光環與神秘感。最近一直晃蕩在學術圈，真的是很想志輝哥哥的，哼，思想太容易開小差。牛1 geoffrey hinton 傑弗里 辛頓 geoffrey hinton，被稱為 神經網路之父 深度學習鼻祖 他曾獲得愛丁堡大學人工...
深度學習中的Batch Normalization
batch normalization 假設我們有兩組training data x1 1,2,3,x 1 1,2 3,x2 100,200,300,x2 100,200,300,當我們利用這組資料進行機器學習的時候，會發現對於第一筆資料x1 x 1，它的梯度會比第二筆資料x2 x 2的梯度要小得多...
深度學習中的Batch Normalization
batch normalization原理 為了減少深度神經網路中的internal covariate shift，中提出了batch normalization演算法，首先是對 每一層 的輸入做乙個batch normalization 變換 批標準化 bactch normalization，...