在DeepLearning的文章中有看到end2end一次，作者们似乎都比较喜欢这个end2end learning的方式。那么到底啥是end2end？
找了一下相关论文，没找到专门讲这个概念的，看来应该不是很严格定义的一个说法。
那就搬运一下Quora上的提问和回答吧。
问题：https://www.quora.com/What-is-end-to-end-learning-in-machine-learning
回答1：
论文《End to End Learning for Self-Driving Cars》里面提到，他们训练了一个CNN，能够把从前置摄像头获取图像中从像素到最终控制车辆行驶指令。也就是：像素-->指令。
回答2：
不同人对end2end有不同定义。你可以定义成从图像到最终结果，还可以在前面再增加一个获取数据，从获取数据到最终结果；甚至从申请项目到得到最终结果。。。。好吧，一层一层剥削啊。反正，这个词不太好，不严谨。
回答3：
提供了从数据处理到为用户提供解决方案的整个过程。
回答4：
用一个任务来搞定所有相关的任务。因此end2end意思是一口气做好整个事情，包括数据流、算法选择和参数调整、算法相关硬件、结果可视化
总结：
看了这几个回答，end2end的意思在不同人看来有不同理解，但是作为程序员/深度学习炼丹娃，应当理解为：至少是从处理过的图像-->最终目标结果（比如分类结果、检测结果、分割结果等）的一个流程，也就是起码把原来的“特征提取”和“用分类器做分类，包括特征选择”的两个模块，串在一起了，而不是显示地分成两个模块。
知乎上一位大神回答的很好：
端到端指的是输入是原始数据，输出是最后的结果，原来输入端不是直接的原始数据，而是在原始数据中提取的特征，这一点在图像问题上尤为突出，因为图像像素数太多，数据维度高，会产生维度灾难，所以原来一个思路是手工提取图像的一些关键特征，这实际就是就一个降维的过程。
那么问题来了，特征怎么提？
特征提取的好坏异常关键，甚至比学习算法还重要，举个例子，对一系列人的数据分类，分类结果是性别，如果你提取的特征是头发的颜色，无论分类算法如何，分类效果都不会好，如果你提取的特征是头发的长短，这个特征就会好很多，但是还是会有错误，如果你提取了一个超强特征，比如染色体的数据，那你的分类基本就不会错了。
这就意味着，特征需要足够的经验去设计，这在数据量越来越大的情况下也越来越困难。
于是就出现了端到端网络，特征可以自己去学习，所以特征提取这一步也就融入到算法当中，不需要人来干预了
原回答链接：https://www.zhihu.com/question/51435499/answer/129379006
那么问题来了，特征怎么提？
特征提取的好坏异常关键，甚至比学习算法还重要，举个例子，对一系列人的数据分类，分类结果是性别，如果你提取的特征是头发的颜色，无论分类算法如何，分类效果都不会好，如果你提取的特征是头发的长短，这个特征就会好很多，但是还是会有错误，如果你提取了一个超强特征，比如染色体的数据，那你的分类基本就不会错了。
这就意味着，特征需要足够的经验去设计，这在数据量越来越大的情况下也越来越困难。
于是就出现了端到端网络，特征可以自己去学习，所以特征提取这一步也就融入到算法当中，不需要人来干预了