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：
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 to end中的管道（pipline）
正如上文提到的，End-to-End的学习方法并不是在所有的领域都是最好的选择。最重要的是到底有没有足够可靠的数据。以自动驾驶为例，通过摄像头识别人和车辆，然后规划驾驶路径。如果用End-to-End的方法，需要积累海量量标记好的数据，各种路况不同的路径规划，非常困难。
然而，如果使用非End-to-End的方法，比如下图，先识别车和人，再进行路径规划
人和车的被标记好的数据很容易找到，完成这一步，再进行路径规划，这样训练起来就容易很多了。而这样设计算法的步骤就是pipline.
再举一个识别图片中猫的品种的例子，我们可以这样设计Pipline: 第一步先识别图片中是否有猫，第二步再识别猫是不是这个品种：
参考：https://www.jianshu.com/p/fb4a11e76df4
从目标检测方面理解
典型的非end to end方法： RCNN算法
RCNN算法包含两部分，一是目标所在位置及大小，二是目标的类别。即其第一步使用region proposal来得到目标的位置和大小，第二步将使用CNN来判断框中的类别。
典型的end to end方法：yolo算法
yolo这种方法就是只通过CNN网络，就能够实现目标的定位和识别。也就是原始图像输入到CNN网络中，直接输出图像中所有目标的位置和目标的类别。这种方法就是end-to-end端对端的方法，一端输入我的原始图像，一端输出我想得到的结果。只关心输入和输出，中间的步骤全部都不管。