在看**的過程中不斷的出現end-to-end train這的詞，於是我就很好奇，什麼是端對端的訓練。從網上的資料整理下來大概是這樣的。
端到端指的是輸入是原始資料，輸出是最後的結果，原來輸入端不是直接的原始資料，而是在原始資料中提取的特徵，這一點在影象問題上尤為突出，因為影象畫素數太多，資料維度高，會產生維度災難，所以原來乙個思路是手工提取影象的一些關鍵特徵，這實際就是就乙個降維的過程。
那麼問題來了，特徵怎麼提？
特徵提取的好壞異常關鍵，甚至比學習演算法還重要，舉個例子，對一系列人的資料分類，分類結果是性別，如果你提取的特徵是頭髮的顏色，無論分類演算法如何，分類效果都不會好，如果你提取的特徵是頭髮的長短，這個特徵就會好很多，但是還是會有錯誤，如果你提取了乙個超強特徵，比如染色體的資料，那你的分類基本就不會錯了。
這就意味著，特徵需要足夠的經驗去設計，這在資料量越來越大的情況下也越來越困難。
於是就出現了端到端網路，特徵可以自己去學習，所以特徵提取這一步也就融入到演算法當中，不需要人來干預了
經典機器學習方式是以人類的先驗知識將raw資料預處理成feature，然後對feature進行分類。分類結果十分取決於feature的好壞。所以過去的機器學習專家將大部分時間花費在設計feature上。那時的機器學習有個更合適的名字叫feature engineering 。後來人們發現，利用神經網路，讓網路自己學習如何抓取feature效果更佳。於是興起了representation learning。這種方式對資料的擬合更加靈活。網路進一步加深，多層次概念的representation learning將識別率達到了另乙個新高度。於是你聽到了是個搞機器學習的人都知道的名字：deep learning。實指多層次的特徵提取器與識別器統一訓練和**的網路。
end to end的好處：通過縮減人工預處理和後續處理，盡可能使模型從原始輸入到最終輸出，給模型更多可以根據資料自動調節的空間，增加模型的整體契合度。
當然還有很多其他的說法，但表達的意思也都大同小異，主要是通過端對端的訓練來更準確，快速的確定特徵。對於影象處理來說可以有效的降低資料維度，準確的提煉出影象特徵。達到不同的目的。
HttpServletRequest 是個什麼東西
我們在建立 servlet 時會覆蓋 service 方法，或 doget dopost 這些方法都有兩個引數，乙個為代表請求的 request 和代表響應 response service 方法中的 request 的型別是 servletrequest，而 doget dopost 方法的 re...
我是個瘋子
我時常在想,我這個人肯定不正常,肯定是個瘋子,要不也挨得上 bt 如果我不是瘋子,那肯定是我周圍的人都瘋了.怎麼可能呢,怎麼可能呢,想想也不可能,怎麼他們都瘋了呢?唯一的結果就是我瘋了,他們都正常.下面想想我的症狀 1 瘋狂學習。一旦下了決心要學習一樣東西，只要工作不忙，休息時間也搭進去，瘋狂學習，...
生活，是個細活
1，高興，是因為悲傷 快樂，是因為淒涼。有一種永遠無法訴說的苦，謂之心痛 有一種永遠不能言明的淚，謂之心傷。笑是一生，哭是一生，忘記那個讓你落淚的人，遺棄那件讓你痛苦的事，用心對自己，才能感受到生命的美，才能體會生活的妙。用心品味，才發現正是酸甜苦辣，造就了豐富多彩。令人回味無窮。2，或許不能秒秒牽...