端到端你要抽象式的去理解，就是原始到最終。就是兩端輸入與輸出都已經是最開始的東西與最終的結果了，不可能再加上比原始更加原始的，比最終更加最終的處理了。（是為了方便理解才寫的這么俗氣，不知道對不對？）

end-to-end 的本質是你要解決的問題是多階段的或多步的(跟所謂的raw feature沒啥關系)。如果分階段學習的話，第一階段的最優(yōu)解不能保證第二階段的問題達到最優(yōu)。end-to-end把他們堆在一起來優(yōu)化，確保最后階段的解達到最優(yōu)。（整個輸入到最終輸出無需太多人工設置，從raw data 到最終輸出指標）

（1）端到端指的是輸入是原始數(shù)據(jù)，輸出是最后的結果，原來輸入端不是直接的原始數(shù)據(jù)，而是在原始數(shù)據(jù)中提取的特征，這一點在圖像問題上尤為突出，因為圖像像素數(shù)太多，數(shù)據(jù)維度高，會產生維度災難，所以原來一個思路是手工提取圖像的一些關鍵特征，這實際就是就一個降維的過程。
（2）那么問題來了，特征怎么提？
特征提取的好壞異常關鍵，甚至比學習算法還重要，舉個例子，對一系列人的數(shù)據(jù)分類，分類結果是性別，如果你提取的特征是頭發(fā)的顏色，無論分類算法如何，分類效果都不會好，如果你提取的特征是頭發(fā)的長短，這個特征就會好很多，但是還是會有錯誤，如果你提取了一個超強特征，比如染色體的數(shù)據(jù)，那你的分類基本就不會錯了。
這就意味著，特征需要足夠的經驗去設計，這在數(shù)據(jù)量越來越大的情況下也越來越困難。
于是就出現(xiàn)了端到端網絡，特征可以自己去學習，所以特征提取這一步也就融入到算法當中，不需要人來干預了。

（3）end to end的好處：通過縮減人工預處理和后續(xù)處理，盡可能使模型從原始輸入到最終輸出，給模型更多可以根據(jù)數(shù)據(jù)自動調節(jié)的空間，增加模型的整體契合度。

總之，end-end不是什么新東西，也不是什么神奇的東西，僅僅是直接輸入原始數(shù)據(jù)，直接輸出最終目標的一種思想。

?

總結

以上是生活随笔為你收集整理的end-to-end 的神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。