第三部分 机器学习(ML)策略2 - 4 笔记

2.9 什么是端到端的深度学习

What is end-to-end deep learning

一些数据处理系统以及学习系统往往需要多个阶段的处理，而端到端的学习是忽略这些中间处理过程，用单个的神经网络来代替。

例子1 语音识别

传统方式： 原始音频 —> MFCC特征提取 ——> 音位 ——> 文本

端到端：原始音频 —————————————————> 文本

当数据集较小时，传统方法往往较好；当数据量较大时，端到端的方式往往更加有效！

例子2 人脸识别门禁

任务： 拍摄影像x ——> 识别人物身份 ——> 是否放行

一步法：端到端的方法并非最好。

系统拆分：1、检测出人脸位置，裁剪人脸影像，居中显示；2、根据人脸影像训练神经网络，用来识别是否是系统库员工。

一步法的数据量很少，不利于训练。而将系统拆分后，每个分系统均具有大量的训练数据。

例子3 机器翻译

传统方式：英文句子 ——> 文本分析 。。。。——> 法语句子

端到端： 英文句子 —————————————> 法语句子

现今由于可以搜集到大量的 英文-法文 数据集，因此在此例中，端到端的方式效果更好。

例子4 儿童年龄估计

传统方式： X光影像 ——> 分割每块骨头 ——> 分辨每块骨头并量测长度——> 查统计表——>获取年龄

端到端： X光影像 —————————————————————————————————> 年龄

如今，并没有足够的 影像-年龄 数据集，不足以支撑训练出有效的端到端网络，此例中传统方式往往更加有效。

因此端到端深度学习系统是可行的，它表现可以很好，也可以简化系统架构，不需要搭建过多手工设计的单独组件，但它也不是万能的，并不是每次都能成功。

2.10 是否要使用端到端的深度学习

Whether to use end-to-end learning

端到端学习的优缺点：

Pros and cons：

Pros：

1. 只让数据说话，让计算机自己学习算法；
2. 减少手动设计的组件，简化设计流程。

Cons：

1. 需要大量的数据，大量输入端和输出端成对儿的数据，这对有些任务而言是不现实的。
2. 排除以一些可能有用的人工设计组件

算法 = 数据 + 组件

数据量大，则人工组件可以减少；数据量小，则人工组件必须增加。

何时应用端到端学习？？

在使用端到端深度学习之前，需要考虑的关键问题是：是否有足够多的数据去学习从x映射到y的复杂函数( a function of the complexity)。

例子1 儿童年龄估计

并没有足够的 影像-年龄 数据集，不足以支撑训练出有效的端到端网络，此例中传统方式往往更加有效。

例子2 自动驾驶

输入影像 ——> 方向盘角度 油门等 端到端的方式并非最佳非最有希望，不如更为复杂的多步方法。

激光雷达、传感器影像等 ——> 检测行人、车辆等，运动规划，控制算法 ——> 角度 油门等。