End to End 端到端的理解

最新推荐文章于 2024-07-17 13:34:25 发布

孰与徐公比美

最新推荐文章于 2024-07-17 13:34:25 发布

阅读量682

点赞数 2

CC 4.0 BY-SA版权

分类专栏： deeplearning

本文链接：https://blog.youkuaiyun.com/weixin_44446028/article/details/103664841

本文探讨了端到端（End-to-End）学习与非端到端学习的区别，指出End-to-End学习减少了人工预处理步骤，但需要大量标记数据。在自动驾驶和图像识别等场景中，非端到端的管道（pipeline）方法可能更为合适，因为它允许分阶段训练并减少数据需求。例如，自动驾驶可以通过先识别行人和车辆，再进行路径规划的方式简化训练过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

首先与非end to end进行比较

与非end to end比较

在非end to end中，首先要人工对数据进行大量的处理
举例：
自然语言处理中，非end to end的学习需要对语音识别之前要经过两步处理：解析器(Parser) 注释文本和情感分类器(Sentiment Classifier)预测文本
解析器是对文本进行标注，比如形容词（好，坏，糟糕等），情感分类器再来预测文本是正面的还是负面的，整个过程如图：
在这里插入图片描述
End-to-End 学习不需要这些步骤，像黑盒子一样一步到位解决问题。神经网络算法就是一个被广泛应用的End-to-End学习的算法。End-to-End 算法尤其适用于数据量巨大的机器学习任务中。

优缺点

非End-to-End的学习算法中，需要人类做大量的前期准备工作，比如在上述语音识别的例子中，"音素"是语言学家发明的，在处理过程虽然提高了效率但是无疑会丢失语音中的其他信息。但是这种算法需要的数据量比较小。
End-to-End学习算法虽然不需要太多的人工干预，但是需要大量标记的数据，并不是在所有领域都是最好的选择。

非end

最低0.47元/天解锁文章