端到端的神经网络(end-to-end)

端到端是相对于非端到端而言的。

端到端的学习方式就是在整个学习流程中并不进行人为的子问题划分，
而是完全交给深度学习模型直接学得从原始输入到期望输出的映射。

非端到端:在一开始经典的机器学习中，大都是以人类的先验知识将原始的数据预处理成特征，然后再对特征进行分类。换句话说就是，**对原始数据进行初步的处理，输入的不是直接的原始数据，而是在原始数据中人工参与提取的一些关键特征。**这时分类结果的好坏与提取的特征密切相关。这种处理方法在图像问题上尤为常见，因图像中像素巨多，数据维度高，所以需人为手工提取图像中的一些关键信息。

随着深度学习神经网络的发展，可以让网络自己学习如何提取更好的特征，也就是通过一些配置能让网络去做以前需要人工参与的特征提取的工作。

端到端的学习，就是把特征提取的任务也交给模型去做，直接输入原始数据或者经过略微预处理的数据，让模型自己进行特征提取。 通过这种方式神经网络可以很好地学习到特征的描述，之前需要人工设计的特征算子，本身也可以通过神经网络的方式，让模型自己学习得到。这之中的具体细节都不需要人工干预，这就是端到端。

端到端它缩减了人工预处理和后续的处理工作，尽可能使模型从原始输入到最终的输出，给模型更多可以根据数据自动调节的空间，增加了模型的整体契合度。