什么是end-to-end的模型

端到端的模型目前很流行，那么什么是端到端的模型呢，有没有一个很比较明确的解释？在[1]中，作者是这样说的。

The entire model is trained jointly, from scratch, by optimizing the probability of the output sequence using a chain rule decomposition. We call this an end-to-end model because all the components of a traditional speech recognizer are integrated into its parameters, and optimized together during training, unlike end-to-end training of conventional models that attempt to adjust acoustic models to work well with the other fixed components of a speech recognizer

这篇论文是关于ASR的，因此作者就拿ASR中end-to-end模型来说明。传统的ASR模型包含声学模型、语言模型、发音模型，不同的模型会有不同的作用。end-to-end模型把这些模型整合在了 一起，他们都成了神经网络中的参数。因此，训练的时候只需要优化这些参数就可以了，没有中间输出。
上面这段话中还提到了end-to-end train，这个和end-to-end model并不是一会事。这里引用知乎的一个回答解释什么是end-to-end train

一般指的是在训练好语言模型后，将声学模型和语言模型接在一起，以 WER 或它的一种近似为目标函数去训练声学模型。由于训练声学模型时要计算系统整体的输出，所以称为「端到端」训练。可以看出这种方法并没有彻底解决问题，因为语言模型还是独立训练的。