47~52节
端到端学习要求学习算法直接从输入得到期望的输入。而流水线的模式需要人工设计学习组件，并考虑如何连接这些组件。
相比于人工参与的流水线模型学习系统，端到端的学习，不会受人工设计导致的信息简化的影响。在训练集很大，学习算法是一个足够大的神经网络时，能够达到更好的效果。
但对于小训练集，人工设计知识往往能补充训练集的不足，反而比端到端的方法更好。
在选择端到端或流水线模式时，要考虑数据可用性和任务简单性。有时流水线模式，可以容易地获得所需的数据集，并将复杂任务分解为简单的子任务，更有效地进行学习。这时，选择流水线模式可能更合适。
但通过端到端深度学习有时可以学习比分类更为复杂的输出。例如对输入的描述性输出。
53~57节
使用流水线模式时，要想提高系统性能，可通过将误差归因于流水线的组件，来决定优化工作的优先级。
这种优化目标的确定，与44节所介绍的优化验证测试类似，都是通过误差分析，找出导致错误的设计（环节）。
误差归因的一般思路为：
人为修改上游组件输出为“完美”输出，并在此输出上运行下游组件。如果得到正确输出，则下游组件没有问题。可将误差归因于上游组件。
否则可归因于下游组件。
通过对各组件进行优化，保证了每个组件都有很好的表现后，系统总体上却表现不佳，那么就说明流水线本身存在缺陷，需要重新设计。
网友评论