End to end：指的是輸入原始資料，輸出的是最後結果，應用在特徵學習融入演算法，無需單獨處理。

end-to-end（端對端）的方法，一端輸入我的原始資料，一端輸出我想得到的結果。只關心輸入和輸出，中間的步驟全部都不管。

　　端到端指的是輸入是原始資料，輸出是最後的結果，原來輸入端不是直接的原始資料，而是在原始資料中提取的特徵，這一點在影象問題上尤為突出，因為影象畫素數太多，資料維度高，會產生維度災難，所以原來一個思路是手工提取影象的一些關鍵特徵，這實際就是就一個降維的過程。
　　那麼問題來了，特徵怎麼提？
　　特徵提取的好壞異常關鍵，甚至比學習演算法還重要，舉個例子，對一系列人的資料分類，分類結果是性別，如果你提取的特徵是頭髮的顏色，無論分類演算法如何，分類效果都不會好，如果你提取的特徵是頭髮的長短，這個特徵就會好很多，但是還是會有錯誤，如果你提取了一個超強特徵，比如染色體的資料，那你的分類基本就不會錯了。
　　這就意味著，特徵需要足夠的經驗去設計，這在資料量越來越大的情況下也越來越困難。
　　於是就出現了端到端網路，特徵可以自己去學習，所以特徵提取這一步也就融入到演算法當中，不需要人來干預了

　　簡單來說就是深度神經網路處理問題不需要像傳統模型那樣，如同生產線般一步步去處理輸入資料直至輸出最後的結果（其中每一步處理過程都是經過人為考量設定好的 (“hand-crafted” function)）。

　　與之相反，只需給出輸入資料以及輸出，神經網路就可以通過訓練自動“學得”之前那些一步接一步的 “hand-crafted” functions。

相關理解：

1、傳統系統需要幾個模組序列分別設計，end2end把中間模組都去掉了。
以機器翻譯為例 要設計翻譯模型 語言模型 調序模型
端到端就是直接一個模型搞定

2、cnn就是比較典型的end2end模型。在影象分類裡輸入image各通道畫素，輸出影象類別。 相比於非end2end，conv層的卷積核可以充當feature extractor部分而不需要額外的工作去做特徵工程的內容。儘管每一層需要自己設計，但如何得到feature並不需要額外的操作。

3、另一種理解：就是輸入一頭豬，輸出的是香腸

End-to-end在不同應用場景下有不同的具體詮釋，

對於視覺領域而言，end-end一詞多用於基於視覺的機器控制方面，具體表現是，神經網路的輸入為原始圖片，神經網路的輸出為（可以直接控制機器的）控制指令，如：

1. Nvidia的基於CNNs的end-end自動駕駛，輸入圖片，直接輸出steering angle。從視訊來看效果拔群，但其實這個系統目前只能做簡單的follow lane，與真正的自動駕駛差距較大。亮點是證實了end-end在自動駕駛領域的可行性，並且對於資料集進行了augmentation。連結：https://devblogs.nvidia.com/parallelforall/deep-learning-self-driving-cars/

2. Google的paper: Learning Hand-Eye Coordination for Robotic Grasping with Deep Learning and Large-Scale Data Collection，也可以算是end-end學習：輸入圖片，輸出控制機械手移動的指令來抓取物品。這篇論文很贊，推薦：https://arxiv.org/pdf/1603.02199v4.pdf

4. Princeton大學有個Deep Driving專案，介於end-end和傳統的model based的自動駕駛之間，輸入為圖片，輸出一些有用的affordance（實在不知道這詞怎麼翻譯合適…）例如車身姿態、與前車距離、距路邊距離等，然後利用這些資料通過公式計算所需的具體駕駛指令如加速、剎車、轉向等。連結：http://deepdriving.cs.princeton.edu/

總之

end-end不是什麼新東西，也不是什麼神奇的東西，僅僅是直接輸入原始資料，直接輸出最終目標的一種思想。