端到端学习的理解

什么是端到端的学习

经常在论文中我们会看到很多端到端的学习方法（end-to-end learning），那么究竟什么是端到端的学习方法呢？和传统方法的区别在什么地方？
端到端的学习方法: 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. 这是wiki对端到端学习的定义，总结起来就是不经过复杂的中间建模过程，从输入端到输出端会得到一个预测的结果，这个预测的结果与标记的真实数据之间会进行计算，得到误差结果。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，输出最终的结果，则就是端到端的学习过程。
而与传统的机器学习的区别在与：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。因此，端到端的学习我们只需要进行数据数据的一次性标注，然后送到CNN，RNN 等网络中去，得到最终结果。因此，端到端的学习可以大量的减少人为标注的工作量，同时可以使得预测的结果更能符合预期的要求。