相對(duì)于深度學(xué)習(xí)，傳統(tǒng)機(jī)器學(xué)習(xí)的流程往往由多個(gè)獨(dú)立的模塊組成，比如在一個(gè)典型的自然語言處理（Natural Language Processing）問題中，包括分詞、詞性標(biāo)注、句法分析、語義分析等多個(gè)獨(dú)立步驟，每個(gè)步驟是一個(gè)獨(dú)立的任務(wù)，其結(jié)果的好壞會(huì)影響到下一步驟，從而影響整個(gè)訓(xùn)練的結(jié)果，這是非端到端的。

而深度學(xué)習(xí)模型在訓(xùn)練過程中，從輸入端（輸入數(shù)據(jù)）到輸出端會(huì)得到一個(gè)預(yù)測(cè)結(jié)果，與真實(shí)結(jié)果相比較會(huì)得到一個(gè)誤差，這個(gè)誤差會(huì)在模型中的每一層傳遞（反向傳播），每一層的表示都會(huì)根據(jù)這個(gè)誤差來做調(diào)整，直到模型收斂或達(dá)到預(yù)期的效果才結(jié)束，這是端到端的。

兩者相比，端到端的學(xué)習(xí)省去了在每一個(gè)獨(dú)立學(xué)習(xí)任務(wù)執(zhí)行之前所做的數(shù)據(jù)標(biāo)注，為樣本做標(biāo)注的代價(jià)是昂貴的、易出錯(cuò)的。

作者：張旗
鏈接：https://www.zhihu.com/question/50454339/answer/257372299
來源：知乎
著作權(quán)歸作者所有，轉(zhuǎn)載請(qǐng)聯(lián)系作者獲得授權(quán)。

端到端指的是輸入是原始數(shù)據(jù)，輸出是最后的結(jié)果，原來輸入端不是直接的原始數(shù)據(jù)，而是在原始數(shù)據(jù)中提取的特征，這一點(diǎn)在圖像問題上尤為突出，因?yàn)閳D像像素?cái)?shù)太多，數(shù)據(jù)維度高，會(huì)產(chǎn)生維度災(zāi)難，所以原來一個(gè)思路是手工提取圖像的一些關(guān)鍵特征，這實(shí)際就是就一個(gè)降維的過程。
那么問題來了，特征怎么提？

特征提取的好壞異常關(guān)鍵，甚至比學(xué)習(xí)算法還重要，舉個(gè)例子，對(duì)一系列人的數(shù)據(jù)分類，分類結(jié)果是性別，如果你提取的特征是頭發(fā)的顏色，無論分類算法如何，分類效果都不會(huì)好，如果你提取的特征是頭發(fā)的長(zhǎng)短，這個(gè)特征就會(huì)好很多，但是還是會(huì)有錯(cuò)誤，如果你提取了一個(gè)超強(qiáng)特征，比如染色體的數(shù)據(jù)，那你的分類基本就不會(huì)錯(cuò)了。

這就意味著，特征需要足夠的經(jīng)驗(yàn)去設(shè)計(jì)，這在數(shù)據(jù)量越來越大的情況下也越來越困難。于是就出現(xiàn)了端到端網(wǎng)絡(luò)，特征可以自己去學(xué)習(xí)，所以特征提取這一步也就融入到算法當(dāng)中，不需要人來干預(yù)了。

來源：知乎
著作權(quán)歸作者所有。