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？和傳統方法的區別在什麼地方？
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建模過程，從輸入端到輸出端會得到一個預測的結果，這個預測的結果與標記的真實數據之間會進行計算，得到誤差結果。然後我們採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區別在與：傳統的機器學習過程往往由不同的模塊和不同的功能組成，比如卡爾曼濾波運用在軌跡數據的標記和運動物標的識別。這整個過程需要進行數據標註，圖像數據的轉換，卡爾曼濾波方法的運用等一系列的過程，而每個過程又是相互獨立的，每一步都需要我們對數據進行單獨的標註等工作。其壞處就是會影響結果的準確性。因此，端到端的學習我們只需要進行數據數據的一次性標註，然後送到CNN，RNN 等網絡中去，得到最終結果。因此，端到端的學習可以大量的減少人爲標註的工作量，同時可以使得預測的結果更能符合預期的要求。