請問「端到端機器學習」中的「端到端」應如何理解？

02-03

下面是查到的文字解釋，不過還是感覺不是很容易理解，中間有了步驟就不是端到端了？但一般機器學習總歸還是需要數據預處理、特徵提取之類的步驟啊？
什麼是端到端學習
端到端學習是一種解決問題的思路，與之對應的是多步驟解決問題，也就是將一個問題拆分為多個步驟分步解決，而端到端是由輸入端的數據直接得到輸出端的結果。但是一般情況下，更常見的是介於兩者之間的解決思路，先把任務拆解為簡單的兩步解決。例如人臉識別門禁系統，不是由檢測到的圖片直接得到結果（識別出該員工的id），而是第一步將檢測到的圖片中的人臉部分放大居中，第二步通過識別得到該員工的id。

照片進，告訴你這是誰出。

英文句子進，中文句子出。

圖片進，圖片里有啥出……

就是不要預處理和特徵提取，直接把原始數據扔進去得到最終結果。

從學會畫一個點開始，直到學會最複雜的漢字。感覺這個詞翻譯不太好，我的理解是從點到面。其複雜度呈現指數級增長。目前在對自然語言、語音進行智能學習時多見。

抱歉，我以為無論是端到端，或P2P、End2End……etc.，都是錯誤的理解。正確理解是從點到面的學習，或指從零開始學習某種技能直至大滿貫。

確實就是指盡量省去中間步驟，從問題的輸入直接得到問題的輸出，中間的過程都交給模型來學習、擬合。

通常來說，在機器學習方面提端到端，只是指機器學習的演算法部分，而那些確定性的預處理過程也可以不算在端到端的裡面。

分了多個步驟對於人來說可解釋性更強了，但強行指定多個步驟的結合方式，肯定會損失一些信息。端到端模型通常希望把由人指定的中間步驟，也用機器學習替代，讓數據來決定如何讓兩個步驟的信息直接結合起來，而不是轉為人能看懂的顯式中間層。

端到端的好處就是只要維護一個模型的輸入輸出就夠了，不用考慮中間結果的一些問題，通常效果更好，效率也更高。最好的解決一類具體問題，通常端到端的思路會比較好。

不過端到端的話，每類具體的問題可能都需要定製一個模型，如果輸入或輸出有變化可能就得調整整個演算法，有一定的設計難度。有時候我們不追求極致只是實現一個功能的話，直接組合幾個步驟很可能會更快的達成需求。

端到端就是指從挖沙子提煉硅一直到把廣告賣掉，放在機器學習的領域也差不多。

端到端是個框，誰都想裝，什麼都想裝。

不廢話，端到端這個詞是通信術語，End to End，準確含義是「通信的兩個起始點開始，考慮了所有處理節點的業務功能、控制和管理的一整套解決方案」。概括一下就是「你所有需要的我都想到了」。

區別於某些僅敘述通信兩端的解決方案，例如http，ftp這樣的協議和方案，中間節點的功能需求都是不敘述的。

但是用到其他領域，我只能說是裝13.

不信，我們讓他解釋一下什麼叫「END」，什麼叫「E2E」。

謝邀。沒有專門去查過end-to-end的定義和解釋，只說說自己的理解。

先解釋一下你問題中的那段話：端到端學習是一種解決問題的思路，與之對應的是多步驟解決問題，也就是將一個問題拆分為多個步驟分步解決，而端到端是由輸入端的數據直接得到輸出端的結果。

其實也就是說，端到端將分步解決的中間步驟連接整合在一起，成為一個黑盒子，我能看看到的只是輸入的數據和輸出的結果，就是從數據的端，到了結果的端。

比如，如果要對一幅圖像分類，分步驟解決的辦法是：先圖像預處理，提取紋理，顏色，飽和度，邊緣等等特徵，然後按照這些特徵設計分類器進行分類，每一步你都進行了設計，篩選，不是黑盒子的。而端到端的做法應該是輸入一幅圖像，特徵提取和分類器在盒子中，你得到只有結果。

而你的問題其實是在對輸入端的理解。

不能說進行了數據預處理就不算是端到端，比如圖像送入卷積神經網路之前一般都要縮放到固定的尺寸(也可以通過池化等方式變換到固定尺寸)，但是你預處理之後的結果還是一個圖像，並不是你最終需要的分類結果；所以，從你預處理之後的數據到你的結果還是端到端的。

再比如，要對一段文本進行情感分類；送入模型之前一般也要進行分詞和word2vec，也算是預處理的過程，但是後面的特徵學習和分類也是端到端的。

所以，預處理只是為了讓模型更好更快的學習，但是學習到了什麼並不是人為設計的，是一個黑盒子。

而且，一個模型是不是端到端，也是要基於你的任務而定的。

比如，自然場景的文字識別，通常包含文字檢測和文字識別兩部分：輸入一幅圖像輸出圖像中包含文字的區域(檢測)；輸入文字區域輸出文字內容(識別)；這兩部分單獨來看都是端到端的，但是就自然場景文字識別這任務而言，如果要分成這兩個模型來做就不是端到端的，而應該是：輸入一幅帶文字的圖像，輸出圖像中的文字內容，不管中間是如何檢測和分類是別的，這才是端到端。

如你問題中的那段話的後半部分，將分步驟和端到端進行結合才是通用的解決辦法，而真正核心的部分在於後面的端到端，前面都可以看作是預處理過程。

@wangyang 贊同這位同學的觀點