---

按照我的理解，端對端就是輸入原始特徵，輸出預測結果，我們不需要像傳統的機器學習演算法那樣進行一系列特徵提取。

---

補充一個「去端到端」的例子：

"去端到端」化和複雜loss：梯度隔離的分層神經網路模型Greedy InfoMax(GIM)，深入了解自監督學習#2，InfoNCE loss及其對分層脈衝神經網路的啟發?

nooverfit.com

---

不需要做其他額外處理，

從原始數據輸入到任務結果輸出，整個訓練和預測過程，都是在模型里完成的。

---

輸入一張圖，輸出也是一張圖。典型如圖像超分辨。輸入的是一張解析度較低的小圖，輸出是一張解析度較高，尺寸變大的高清圖。

---

沒有特徵工程這一步

---

感覺端到端的意思就是，灌進去數據和標籤，最終就輸出想要的網路。不需要人為做什麼，就是個黑盒子。

---

感覺端到端就是輸入數據，再輸出數據，中間過程不需要認為進行干預。

例如深度學習+視覺SLAM領域，和傳統的SLAM技術相比，不需要人為的進行特徵的設定，從而進行檢測和描述，而是通過CNN之類的網路讓機器自己去學習特徵進行檢測、提取和匹配，從而完成輸出。

---

推薦閱讀：