在端到端的強化學習中，端到端的過程，換言之，整個過程涉及沒有模組化的單層或迴圈神經網路。網路透過強化學習（RL）進行訓練。這種方法已經提出了很長時間，但在學習翫Atari影片遊戲（2013-15）的成功結果中得到了重新激勵。AlphaGo（2016）就採用端到端監督學習而不需要樣本（通常是手動標記的）資料。

RL通常需要顯式設計狀態空間和動作空間，而從狀態空間到動作空間的對映是學習的。因此，RL一直限於僅僅為了行動而學習，並且人類設計師必須設計如何從感測器訊號構造狀態空間，並且在學習之前給出如何為每個動作產生運動命令。RL中經常使用神經網路來提供非線性函式逼近以避免維數崩潰。同時使用遞迴神經網路，主要是為了避免混疊感知或部分可觀測馬爾科夫決策過程（POMDP）。

端到端的RL擴充套件了RL。

該方法起源於TD-Gammon（1992）。[15]在步步高中，透過使用分層神經網路的TD（）來學習自我遊戲期間的遊戲情況的評估。四個輸入用於板上給定位置的給定顏色的數量，共198個輸入訊號。在內建零知識的情況下，網路學會了在中等水平上玩遊戲。

從2013年左右開始，Google DeepMind在影片遊戲和Go（AlphaGo）遊戲中展示了令人印象深刻的學習成果。他們使用深度卷積神經網路，在影象識別中顯示出優越的結果。他們用4幀幾乎原始的RGB畫素（84×84）作為輸入。網路是根據RL進行訓練的，獎勵代表了比賽得分變化的標誌。所有49場比賽都是使用相同的網路架構和最少的先驗知識進行Q學習，在幾乎所有的比賽中表現都優於競爭方法，並且在與專業人類遊戲測試人員相媲美或更高的水平上執行。它有時被稱為Deep-Q網路（DQN）。在AlphaGo中，深度神經網路不僅可以透過強化學習進行訓練，還可以透過監督學習和蒙特卡洛樹搜尋進行訓練。

在端到端的強化學習中端到端的過程換言之，整個過程涉及沒有模組化的單層或迴圈神經系統，網路透過強化學習〈RL〉進行訓練這種方法已經提出了很長時間，但在學習翫Atari影片遊戲〈20l3_15)的成功結果中得到了重新激勵。

RL通常需要顯式設計狀態空間和動作空間，而從狀態空間到動作空間的眏射是學習的，因此RL一直限於僅僅為了行動而學習，並且人類設計師必須設計如何從感測器訊號構成狀態空間，並且在學習之前給出如何為每個動作產生運動命令。

端到端的RL擴充套件了RL

該方法起源於TD_GammO(1992)。透過使用分層神經網路的TD來學習自我遊戲期間的遊戲情況的評估。

端到端學習的重點是：“忽略中間的過程用單個神經網路代替它.”

例如傳入一張圖片，中間透過一個複雜的神經網路進行處理（這個神經網路可用cnn 做Encoder 得到code， 再用rnn做Decoder）得到一段文字這就是典型的end to end。

中間這個過程中不需要人為干預。只要滿足這種情形就可以說它是端到端學習了。

在圖片傳入前，你做了特徵工程的操作，仍然不影響它是一個端到端的學習。

凡是那些不是用數學推導來的概念，都不用太較真。