深度学习作为端到端框架的另一种解释是在深度学习中，不需要预处理或特征提取步骤。所以它只使用了一个处理步骤，即训练深度学习模型。在其他传统的机器学习方法中，通常需要一些分离的特征提取步骤。

例如在图像分类中，像 CNN 这样的深度学习框架可以接收原始图像，然后对其进行训练以直接对其进行分类。如果我们不使用深度学习，我们需要使用更多的步骤来提取一些特征，比如边缘检测、角点检测、颜色直方图等。

你也可以在这里观看 Andrew Ng 的解释

当您有两个或多个神经网络作为更大架构的组件时，这是相关的。以端到端的方式训练该架构意味着同时训练所有组件（即，将其训练为单个网络）。

我能想到的最好的例子是图像字幕架构。这些通常由两个网络组成：一个 CNN，其作用是从输入图像中提取特征；一个 RNN，它接受 CNN 的特征并生成输出说明。

您有两种培训选择：

1. 首先，首先为一些任意任务（例如图像分类）训练 CNN，希望它学会如何提取特征。然后使用 CNN 从输入图像中提取特征，并将其用作输入来训练 RNN。此过程在两个完全独立的阶段中训练这两个组件。

2. 将整个架构视为单个网络，并将梯度反向传播到 CNN，以便也可以对其进行训练。该程序同时训练这两个组件。这就是我们所说的端到端培训。

端到端意味着深度学习是唯一使用的东西。

很多人都怀疑它的可行性，我当然相信。我不会相信基于端到端 DL 的自动驾驶汽车。