- Objective: 减少人为干预，真正的机器学习 - Breadcrumb: # 概念阐释 端到端的学习（end-to-end learning），是深度学习中的一个概念，意思是说AI 的生成过程是从输入端到输出端的，中间的神经网络不需要有人工的[[特征工程 Feature Engineering]]干预和人为添加各种判断条件来进行处理。这种端到端的深度学习范式，目前在[[NLP 自然语言处理]]领域和计算机视觉领域非常流行。 # 实例 ## 自动驾驶  - 传统[[machine learning 机器学习]]方法： - 人工提取原始数据特征 - 通过神经网络的分类和识别过程，形成结果输出：自动驾驶基于专家人为设计的规则，红灯停绿灯行，变道超车转向打灯，都是靠工程师编程、靠几十万行代码实现的。 - 端到端的深度学习： - 特斯拉的[[FSD]] v12 版本使用了端到端的方式：摄像头接入外部世界的原始视觉数据（和人眼一样，没有激光雷达等特殊数据），然后不依赖人工处理数据和编程，完全依靠神经网络来处理数据，自动识别模式，提取特征，然后建立某种世界模型，学习和决策驾驶行为。 - [[AlexNet]] - 省去了传统计算机视觉中的**特征工程步骤**（例如边缘检测、颜色直方图等手动特征提取）。模型直接从原始像素数据开始，通过[[CNN 卷积神经网络|卷积层]]自动学习图像的特征表示，然后通过全连接层完成分类任务。 # 相关内容 # 参考资料 - [4.2 生成式AI对人类学习的启示](https://readwise.io/reader/shared/01jew2fq0hyg572cnk85wsypx8) - [ ] [[特征工程 Feature Engineering]]：https://readwise.io/reader/shared/01j5pheafkm3vrsxkea97qgg1d