【深度学习】端到端学习 (end-to-end) 理解

什么是端到端学习？

In end-to-end reinforcement learning, the end-to-end process, in other words, the entire process from sensors to motors in a robot or agent involves a single, layered or recurrent neural network without modularization. ——维基百科

端到端学习是一种解决问题的思路，与之对应的是多步骤解决问题，也就是将一个问题拆分为多个步骤分步解决，每个步骤是一个独立的任务，其结果的好坏会影响到下一步骤，从而影响整个训练的结果。

而端到端就是不经过复杂的中间建模过程，由输入端的数据直接得到输出端的结果(也就是一步搞定问题)，预测结果与真实结果相比较会得到一个误差，然后我们采用比如梯度下降的方法使得误差结果减少，模型最终达到收敛，达到预期的结果。

端到端的好处

• 缩减人工的预处理、后续处理和特征提取步骤，减少了人为的工作量
• 尽可能是模型从原始输入到最终输出。给模型更多可以根据数据自动调节的空间，增加模型的整体契合度。

举个例子

相对于深度学习，传统的机器学习过程往往由不同的模块和不同的功能组成，比如卡尔曼滤波运用在轨迹数据的标记和运动物标的识别。这整个过程需要进行数据标注，图像数据的转换，卡尔曼滤波方法的运用等一系列的过程，而每个过程又是相互独立的，每一步都需要我们对数据进行单独的标注等工作。其坏处就是会影响结果的准确性。

一般情况下，更常见的是介于两者之间的解决思路，先把任务拆解为简单的两步解决。例如人脸识别门禁系统，不是由检测到的图片直接得到结果（识别出该员工的id），而是第一步将检测到的图片中的人脸部分放大居中，第二步通过识别得到该员工的id。

什么时候用端到端？

端到端学习并不应该作为我们的一个追求目标，是否要采用端到端学习的一个重要考虑因素是：有没有足够的数据对应端到端的过程，以及我们有没有一些领域知识能够用于整个系统中的一些模块。