端到端學習的了解

什麼是端到端的學習

經常在論文中我們會看到很多端到端的學習方法（end-to-end learning），那麼究竟什麼是端到端的學習方法呢？和傳統方法的差別在什麼地方？

端到端的學習方法: 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. 這是wiki對端到端學習的定義，總結起來就是不經過複雜的中間模組化過程，從輸入端到輸出端會得到一個預測的結果，這個預測的結果與标記的真實資料之間會進行計算，得到誤差結果。然後我們采用比如梯度下降的方法使得誤差結果減少，模型最終達到收斂，輸出最終的結果，則就是端到端的學習過程。

而與傳統的機器學習的差別在與：傳統的機器學習過程往往由不同的子產品和不同的功能組成，比如卡爾曼濾波運用在軌迹資料的标記和運動物标的識别。這整個過程需要進行資料标注，圖像資料的轉換，卡爾曼濾波方法的運用等一系列的過程，而每個過程又是互相獨立的，每一步都需要我們對資料進行單獨的标注等工作。其壞處就是會影響結果的準确性。是以，端到端的學習我們隻需要進行資料資料的一次性标注，然後送到CNN，RNN 等網絡中去，得到最終結果。是以，端到端的學習可以大量的減少人為标注的工作量，同時可以使得預測的結果更能符合預期的要求。