直接学习更为丰富的输出
一个图像分类算法可以输入一个图像 $x$ ，并输出一个表示对象类别的整数。那么一个算法可以输出一个完整的句子来对图像进行描述吗？
举个例子——
输入 $x$ 为：
输出 $y$ 为：“一辆黄色的公共汽车在路上开着，背景是绿色的树和绿色的草。 ”
传统的监督学习应用学得一个函数：$h:X \mapsto Y$ ，其中输出 $Y$ 通常是一个整数或者实数。例如：
| 问题 | X | Y |
|---|---|---|
| 垃圾邮件分类 | 邮件 | 垃圾邮件/非垃圾邮件 （0/1） |
| 图像识别 | 图像 | 整数值标签 |
| 房价预测 | 房屋特征 | 美元价格 |
| 产品推荐 | 产品与用户特征 | 购买机率 |
端到端深度学习中最令人兴奋的进展之一是，它让我们直接学习比数字复杂得多的 $y$ . 在上面的图像配字示例中，你可以使用一个神经网络输入一个图像（$x$），并直接输出一个标题（$y$）.
下面有更多的例子：
| 问题 | X | Y | 文献引用 |
|---|---|---|---|
| 图像配字 | 图像 | 文本 | Mao et al., 2014 |
| 机器翻译 | 英语文本 | 法语文本 | Mao et al., 2014 |
| 问题回答 | （文本，问题）对 | 回答文本 | Bordes et al., 2015 |
| 语音识别 | 音频 | 转录 | Hannun et al., 2015 |
| 文本转语音 | 文本特征 | 音频 | van der Oord et al., 2016 |
这体现了深度学习的高速变化趋势：当你有正确的（输入，输出）标签对的时候，有时可以进行端到端学习，即使输出是一个句子、图像、音频，或者其它的比一个数字更丰富的输出形式。