此分類用於記錄吳恩達深度學習課程的學習筆記。
課程相關信息鏈接如下：

1. 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai
2. github課程資料，含課件與筆記:吳恩達深度學習教學資料
3. 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案

本篇為第三課的第二週內容，2.9到2.10的內容，也是本篇的理論部分的最後一篇。

本週為第三課的第二週內容，本週的內容關於在上週的基礎上繼續展開，並拓展介紹了幾種“學習方法”，可以簡單分為誤差分析和學習方法兩大部分。
其中，對於後者的的理解可能存在一些難度。同樣，我會更多地補充基礎知識和實例來幫助理解。本篇的內容關於端到端學習，與其説它是一種學習方式，不如説它更像一種學習邏輯，並不難理解，因此本篇的篇幅也較短。

1.什麼是端到端學習？

現在有這樣一道數學題擺在我們面前：

相信你在看到題面的時候就已經得到答案了，但是彆着急，我們來理順一下得出答案的思路。

1. 首先，我們要學習阿拉伯數字本身，學習個位數和十位數的區別。
2. 然後，我們要學習加法的運算規則，他的表示符號。
3. 在之後，我們在加法的基礎上學習乘法和相關表示與計算。
4. 最後，我們才得出了計算結果：50

雖然我們一下子就算出了答案，但我們的腦子裏一定會有這樣一步步的過程：理解符號 → 理解運算 → 理解組合 → 得到答案。

而現在，如果你沒有任何數學基礎，我只告訴你：

你解出這道題嗎？答案很顯然，我們最多蒙一蒙。
但是機器能。
在深度學習的世界裏，有一種完全不同的思路。
這種思路不需要我們一層層地把規則寫明，也不需要我們告訴模型“先學數字、再學加法、最後學乘法”。
它允許模型直接從輸入跳到輸出。
不需要人為地拆分中間步驟。
在這種方式下，我們會對模型説：

“這是輸入 \(x\)，這是輸出 \(y\)。
中間怎麼處理？你自己學。”

就像只給學生看大量的“題目 → 答案”
卻完全不教任何運算規則。
模型必須自己推理出所有隱含的步驟，並在內部構建出自己的處理流程。
這種方式就是：端到端學習（End-to-End Learning）
我們來看看課程中一些實際應用的例子，看看端對端學習的適用情況和領域。

2. 端對端學習在什麼時候適用？

我們舉兩個例子來説明這個問題。

2.1 門禁系統的面部識別

先來看看非端對端邏輯下的門禁系統要經過什麼樣的步驟：

一般來説，我們在這種系統錄入的都是證件照，也就是較為精美的正面照。
但是，很顯然，在真實掃臉中我們不會這麼標準，這就像我們之前常常提到的分佈不同問題，會很大程度影響模型的實用性。
因此，“檢測人臉”這一步是我們根據正常邏輯加入的，是我們為了幫助提高擬合手動設計的步驟。
我們可以訓練兩個模型來實現這個系統：

1. 從不同角度、距離的人臉檢測模型。
2. 檢測到的人臉與數據庫的對比識別模型。

當然，這只是一個示例，也有其他的方法和技術。
現在，再來看看端對端邏輯下的系統實現：

很顯然，要想實現端對端學習，最重要的前提就是極大規模的數據集。
而實際上，在門禁系統中，上面這種非端對端的學習方式反而更好，為什麼？
我們來看看二者的對比，歸根到底，還是數據問題。

因此，在數據量不足的情況下，傳統非端對端的學習方式反而效果更好。
那端對端有什麼較為突出的應用領域嗎？有的兄弟，有的。
我們繼續下一個例子。

2.2 語言翻譯

如果我們人工把中文翻譯成英文，你在腦海可能會一個個拼出每個字對應的英文單詞再組合。
為什麼説在這個領域端對端學習更好，很簡單，數據容易獲取。
你在翻譯軟件輸入一句中文並翻譯成英文，好了，現在你已經得到一個樣本和其相應的標籤了。
這樣，模型可能不理解單個英文字母是什麼，不理解具體的語言邏輯，但是它就是可以通過自己的學習方式進行翻譯。
顯然，這得益於海量的數據支持。

3. 端對端學習的優缺？

端到端學習聽起來很“酷”，直接輸入 \(x\)，直接輸出 \(y\)，就像魔法一樣。但任何技術都有兩面，端到端學習也一樣。
最後我們通過對比來看看它的優缺點，也當作是對它的總結。