吴恩达DL3.2.10节：是否要使用端到端的DL？

1. 摘要
   本节讲解了合适适合使用端到端的DL。

2. 课堂笔记
   要了解什么时候适合使用端到端学习，就要了解端到端的Pros & Cons
   关于Pros：
   

   1. 具体点说就是可以挖掘数据的潜在特征，比图cat语音识别，可以从C-A-T三个音位来学习，这样就限制了他提取的特征的种类，那么端到端就可以让宣发自己去探索（我认为这是优点也是缺点，因为确实不知道它探索的是什么）
   2. 很明显，不需要手工特征了，省时省力。

Cons：

1. 端到端需要更大的数据量来提取特征
2. 也可能会漏掉手工提取的一些重要特征（ML工作人员通常对于手工特征都比较鄙视，手动狗头:) )

---

总体上来说，Pros会高于Cons。
关键问题是：你有没有足够的数据能够完成x到y的复杂映射？

---

举一个复杂点的例子：

自动驾驶，我们希望输入一幅图片，输出就是方向盘的转角，但是这其中需要有很多步骤，比如

1. List item判断车的位置；
2. 人的位置；
3. 根据这些位置来规划路径，
4. 然后基于路径对于车进行控制，也就是输出最后的方向盘转角。
   这其中包含了很多步骤，如果直接想输入图片，然后输出控制角度，其实这个数据是非常难收集的，所以对于这个任务，分步实施会更好。

所以，关于能否使用端到端学习：

1. 要选择合适的X->Y的映射；
2. 收集到对于这个问题的足够多的数据。

实际上我认为这两个问题是相互制约的，映射越复杂，（比如自动驾驶），数据越难收集，所以端到端需要视情况而定，但是总体的直觉是这样。