- 综合排序
- 最热优先
- 最新优先
- 来自专栏PaddlePaddle
“端到端”思想
深度学习基础理论-CNN篇 “端到端”思想 深度学习的一个重要思想即“端到端”的学习方式（end-to-end manner），属表示学习（representation learning）的一种。 对此，深度学习则为我们提供了另一种范式（paradigm）即“端到端”学习方式，整个学习流程并不进行人为的子问题划分，而是完全交给深度学习模型直接学习从原始输入到期望输出的映射。 相比分治策略，“端到端”的学习方式具有协同增效的优势，有更大可能获得全局最优解。
1.8K70发布于 2018-04-24 - 来自专栏音视频技术
MPAI正式启动端到端的AI编码标准
点击上方“LiveVideoStack”关注我们 整理 | Alex 近期，MPAI创始人、MPEG前主席Leonardo Chiariglione在他的博客上宣布MPAI正式启动端到端的AI编码标准 端到端AI编码是指使用单层神经网络训练数据：由单层网络输出的数据被压缩，然后在接收端被另一个网络解码。 的端到端视频编码 (MPAI-EEV，AI-based End-to-End Video Coding project)，该项目受到了相关研究的推动（这些研究收获了重大成果，同时进一步研究也要持续跟进 会议对端到端视频编码研究做了初步分析。 Leonardo表示，在各方编解码器竞争激烈的态势下，MPAI将保持更加清醒的态度，积极致力于基于AI的视频编解码方法。
82820发布于 2021-10-14 - 来自专栏老张的求知思考世界
漫谈端到端测试
从我的角度来看，所谓端到端测试，通俗理解就是从一端到另一端完整串联起来的测试方法。当然，由于是漫谈，我会尝试通过对几个与端到端测试有关的问题思考，来聊这个话题。什么是端到端测试？ 至于端到端测试的步骤，与常规的测试流程并无太大区别，都是从需求分析开始，到线上交付结束。当然，端到端测试并非是特别新颖和独特的测试方法，早在16、17年，业内就有了类似的测试思路，如业务流、数据流。 端到端测试的优势与不足上面提到了端到端测试的难度相比于传统的测试方法更大，主要体现在业务和系统的复杂性会让端到端测试的实施成本随之水涨船高。 要设计测试用例，就要提前梳理对应的端到端业务流程和数据模型；要执行端到端测试用例，就需要确保该链路的通畅性；同时还要完善端到端的监控覆盖，以及保障测试执行环境的稳定性(这是最大的影响测试结果的因素)。 今年以来各种技术大模型开始涌现，借助AI大模型的能力，在业务场景和数据模型梳理以及用例完善方面，也许能获得一定的助力。当然，如何实践还需要自己亲自去尝试，找到适合自己的方法。
82310编辑于 2024-08-21 - 来自专栏测试开发技术
这款端到端AI测试工具 Testim，让效率飙升！（支持移动端、Web端）
随着人工智能（AI）和机器学习（ML）技术的飞速发展，AI测试工具应运而生，为软件测试领域带来了革命性的变化。今天，我要向大家强烈推荐一款专为端到端测试设计的AI测试工具——Testim！ （文章较长，建议收藏，反复实操） 1、Testim介绍 Testim 是一款专为现代软件开发团队打造的端到端测试平台，它深度融合了人工智能技术，旨在简化测试流程，提高测试效率与可靠性。 四、多场景覆盖能力 1、端到端与API测试 支持Web、移动应用的UI测试及API功能/性能测试，覆盖全链路验证。 提供行为驱动开发（BDD）支持，将业务需求转化为可执行测试脚本。 五、命令行执行 Testim 还支持 CLI 命令执行测试，并集成到 CI/CD 流程： # 安装 Testim CLI npm install -g @testim/testim-cli # 运行测试 而Testim作为一款专为端到端测试设计的AI测试工具，凭借其智能定位、无代码操作、无缝集成CI/CD流程等核心特性，为测试工作带来了前所未有的便捷和高效。
5.1K01编辑于 2025-04-04 - 来自专栏CKL的思考空间
需求端到端交付管理
一直以来，作为研发人员，我们关注的都是研发任务的端到端交付（从需求澄清到需求交付），很少有人会去关注需求本身是否给产品或者企业带来多少真正的价值（如激活了多少存量用户、吸引了多少新用户等等）。 今天我们跳出研发的角色，聊一聊需求的端到端交付管理。 上图直观的反映了当下交付需求的不确定性。往常，我们只需要根据合同或者行业成熟的解决方案，定期交付我们的产品，然后按合同收款即可。 敏捷中有一个名词叫MVP（Minimum Viable Product最小可行产品），如上图，用户的需求是需要一辆车，图一呢，就是从车轮子到车底盘到车架到完整的汽车的过程，在这个交付过程中呢我们的车都是不可用的 ，再来看第二幅图，从一个滑板到滑板车到自行车到摩托车再到汽车，在这个交付过程中的每个阶段，我们都有车可用。 因为客户的需求可能并不是一辆车，他也许只是想从A地到B地转一圈。下图其实就是一个经典的需求不对称。是不是很熟悉。
84620编辑于 2023-02-01 - 来自专栏小鹏的专栏
10 端到端语音识别
端到端语音识别 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? • Espnet: https://github.com/espnet/espnet • 实现了主流的端到端语音识别方法 • Speech-Transformer、LAS、CTC、RNN-T • 一个小缺点
1.9K20发布于 2020-03-25 - 来自专栏不能显示专栏创建者
自主的端到端测试
机器学习在端到端测试中的核心优势是能够利用高度复杂的产品分析数据来识别和预测用户需求。
69600发布于 2020-12-14 - 来自专栏CRM日记本
端到端到底指什么？
1 初步认识 首先我们看下MBA智库里对端到端的解释： “端到端流程是从客户需求端出发，到满足客户需求端去，提供端到端服务，端到端的输入端是市场，输出端也是市场。 为了打通端到端交付流程，最大程度满足客户需求，公司正在全球范围内推行端到端，一时之间端到端成为当年华为热门词汇。 ? 还是任总讲话通俗易懂，端到端就是解决流程断头的问题，简单一句话点出了端到端要解决的问题关键。 3 如何解决 我们还是回到前面端到端的定义的第一句话，“端到端流程是从客户需求端出发，到满足客户需求端去”，这句话怎么理解？ 有的小伙伴会问，端到端的流程建立起来了，但是大家都是平行部门，谁来负责整个端到端流程的推动？
17.3K51发布于 2019-10-25 - 来自专栏从流域到海域
端到端的深度学习
端到端的深度学习 有些数据处理系统，或者机器学习系统需要多个阶段的处理。端到端的深度学习，做的是用单个深度神经网络(一般情况下)去替代多个阶段的处理过程。 ? 如上图，传统的语音识别大致包括四个步骤，而端到端的深度学习直接接收声音输入，然后完成听译过程。 它目前面临的其中一个挑战是，你可能需要大量的数据才能使它运行得很好。 而关于直接从图片映射到人的身份这个数据集可能只有很小的一部分数据，在该情况下端到端的深度学习不能取得更好的效果。 下面是2个正面的例子。 ? 端对端学习的优缺点 ? 优点： 让数据说话 不需要手动设计组件 缺点： 可能需要大量的数据 排除了可能是有用的手动设计组件 什么时候使用端到端的深度网络 ? 如图：一个正例，一个反例。 而人脸识别这个例子，人脸位置识别和身份识别两个组件就十分恰当，所以才能得到优于端到端学习的效果。 所以组件的合理性和完备性及其适用性也是我们去考虑要不要舍弃去进行端到端学习的一个考量。
1.2K20发布于 2019-05-26 - 来自专栏陈哥聊测试
什么是端到端测试？
不知道大家有没有听过端到端测试？每个软件都应该进行端到端测试，以确保其按规定运行。这种测试方法建立了对系统的信心，并帮助开发团队确定软件是否已准备好进行生产部署。 在本文，我给大家简单分享一下端到端测试是什么，为什么它很重要，以及如何在软件项目中有效地实现它。1.先搞懂，什么是端到端测试？ 一般情况下，端到端测试会在功能测试、系统测试之后，软件的主要版本发布前完成。大家可以按照70/20/10来划分，也就是70%的单元测试、20%的集成测试和10%的端到端测试。 2.端到端测试的不同阶段我把端到端测试拆为三个阶段：规划、测试、收尾，接下来我们会逐一了解这些阶段。 端到端测试可以手动执行，也可以在CI/CD中使用自动化执行。比较推荐自动化执行端到端测试，因为这会为测试团队节省了时间和精力，同时确保在最短的时间内获得高质量的结果。
33110编辑于 2025-11-12 - 来自专栏程序员阿常
需求端到端交付管理
以下文章来源于CKL的思考空间 ，作者CKL的思考 一直以来，作为研发人员，我们关注的都是研发任务的端到端交付（从需求澄清到需求交付），很少有人会去关注需求本身是否给产品或者企业带来多少真正的价值（ 今天我们跳出研发的角色，聊一聊需求的端到端交付管理。 上图直观的反映了当下交付需求的不确定性。往常，我们只需要根据合同或者行业成熟的解决方案，定期交付我们的产品，然后按合同收款即可。 敏捷中有一个名词叫MVP（Minimum Viable Product最小可行产品），如上图，用户的需求是需要一辆车，图一呢，就是从车轮子到车底盘到车架到完整的汽车的过程，在这个交付过程中呢我们的车都是不可用的 ，再来看第二幅图，从一个滑板到滑板车到自行车到摩托车再到汽车，在这个交付过程中的每个阶段，我们都有车可用。 因为客户的需求可能并不是一辆车，他也许只是想从A地到B地转一圈。下图其实就是一个经典的需求不对称。是不是很熟悉。
1.1K20编辑于 2022-09-01 - 来自专栏效能与质量
分层测试（五）：端到端测试
什么是端到端测试 端到端测试（End-To-End Testing, 简称E2E测试）是一种从头到尾测试整个软件产品以确保应用程序流程按预期运行的技术。 端到端测试的模型 在我们当前的业务实践中，端到端测试由测试同学主导编写，用例代码和业务模块独立仓库管理。 端到端测试的挑战 端到端测试也不是万能的，任何收益必然伴随着成本。端到端测试的挑战如下： 4.1 编写耗时长 端到端测试需要对产品服务流程有完整的了解才能编写测试用例，因此编写的耗时很长。 端到端测试的最佳实践 要进行端到端测试，遵循以下概述的做法至关重要，以确保测试顺利进行和成本可控。 5.1 优先考虑最终用途 模拟用户：创建测试用例时，像用户一样进行测试。 测试完成后，务必清理测试数据，以便环境恢复到原始状态，从而准备好再次进行测试。 鉴于端到端测试的重要性，需要从项目一开始就对其进行规划。端到端测试最好手动进行，因为它允许测试人员设身处地为用户着想。
4.1K20编辑于 2023-02-27 - 来自专栏FunTester
敏捷中的端到端测试
端到端测试与传统测试 传统测试包括单元测试、集成测试、系统测试、验收测试。但是端到端测试是在系统测试之后开始的。有时系统/单元/集成测试与端到端测试之间区别不大，有时候很难界定，但是这些完全不同。 但是端到端测试将具有从搜索到付款（带有新添加的付款选项）以及订单确认的场景。端到端测试的范围，复杂性和维护性高于单元和集成测试。 谁进行端到端测试 端到端测试应由对应用程序有深入了解并了解产品架构的测试人员执行。除了测试人员外，业务人员、营销人员、内测用户甚至技术经理都是进行端到端测试的理想人选。 端到端测试步骤 这些是端到端测试必不可少的步骤： 需求分析：全面分析需求，并涵盖端到端工作流程中的主要业务组件。 环境设置：设置测试环境时要牢记生产环境的详细信息。 一旦开始端到端测试，就可以在高风险的用户场景下同时运行冒烟和健全性测试。 提高端到端测试效率 尝试以最大的覆盖范围自动化端到端测试用例。 将端到端自动化套件与冒烟测试、健全性测试和验收测试分开。
2.1K30发布于 2020-09-27 - 来自专栏SDNLAB
如何实现端到端网络切片？
网络切片是一个端到端的概念，从用户设备延伸到接入网（AN）、传输网（TN）和核心网（CN）。 端到端切片提供适当的隔离、资源和优化的虚拟网络架构，以服务于特定用例、SLO 要求或业务解决方案。 图 3 说明了端到端切片实现中涉及的关键元素。这个特定的网络为租户 A、B 和、C三个客户提供网络切片服务。 图3 -端到端网络切片 租户 A 具有三个不同的切片，而租户 B 和 C 各有一个切片。 NSMF 具有将子切片拼接在一起以创建端到端切片的功能。NSMF 通过它们的北向接口与 NSSMF 通信以执行此操作。反过来，它还公开了一个抽象的北向接口，以允许使用其服务来创建端到端切片。 此类传输网切片具有确定性 SLA，以实现完整端到端网络切片的端到端 SLO。这些 SLO 包括 QoS、可用性、延迟和数据包丢失等参数。 如果业务所在路径的网络状况恶化，控制器会将业务重新路由到其他合规的路径上。 控制器作为传输NSSMF的角色，还向 NSMF 公开 API，以便 NSMF 可以编排包含传输切片组件的端到端切片。
2.4K10编辑于 2022-09-02 - 来自专栏用户9703952的专栏
端到端的智能问答系统
一个完整的端到端智能问答系统应该包含哪些环节？ 一个完整的基于 LLM 的端到端问答系统，应该包括用户输入检验、问题分流、模型响应、回答质量评估、Prompt 迭代、回归测试，随着规模增大，围绕 Prompt 的版本管理、自动化测试和安全防护也是重要的话题 将每个问题分类到一个主要类别和一个次要类别中。 以 JSON 格式提供你的输出，包含以下键：primary 和 secondary。 将每个问题分类到一个主要类别和一个次要类别中。 以 JSON 格式提供你的输出，包含以下键：primary 和 secondary。
69310编辑于 2025-02-06 - 来自专栏深度学习与python
从 Ray 到 Chronos：在 Ray 上使用 BigDL 构建端到端 AI 用例
数据科学家和数据工程师可以使用 BigDL 轻松构建端到端的分布式 AI 应用。 1 介绍 Ray 是一个能够非常快速和简单地去构建分布式应用的框架。 BigDL 是一个在分布式大数据上构建可扩展端到端 AI 的开源框架，它能利用 Ray 及其本地库（Native Libraries）来支持高级 AI 用例，如 AutoML 和自动时间序列分析。 BigDL 通过 RayOnSpark 可以将 Ray 无缝集成到大数据预处理流水线中，并已经在一些特定领域构建了多个高级的端到端 AI 应用（例如 AutoML 和 Chronos）。 orca.automl 介绍 很多情况下，数据科学家更愿意在笔记本电脑上对他们的 AI 应用程序进行原型设计、调试和调参，如果可以将相同的代码完整地迁移到集群中并直接运行，这将大大提高端到端的生产力。 应用程序（使用 RayOnSpark）、提高端到端 AI 开发效率（在 Ray Tune 之上使用 AutoML）以及构建特定领域的 AI 用例（例如使用 Chronos 进行自动时间序列分析）。
1.2K11编辑于 2023-04-01 - 来自专栏DevOps持续集成
DevOps: 实施端到端CICD管道
我们将介绍从配置 Jenkins 并将其与版本控制系统集成到编排构建、测试和部署的所有内容。我们的目标是增强您的软件交付流程。 为此，请导航到 Jenkins “仪表板”并单击侧栏中的“管理 Jenkins” 。 从那里，选择“从磁盘重新加载配置”或“安全重启”。 使用 Helm 将应用程序部署到测试环境。 对已部署的应用程序运行用户验收测试。 使用 Helm 将应用程序提升到生产环境。 将其添加kubectl到您的 PATH 以便从命令提示符中的任何位置运行它。 echo <encoded password here>= | base64 -d 使用用户名“admin”和上一步中检索到的密码登录 Argo CD UI。
4.6K10编辑于 2024-06-19 - 来自专栏Dance with GenAI
AI中的端到端end to end到底是什么意思？
在人工智能（AI）的世界里，有一个听起来非常直观但又略带神秘的术语——“端到端”（end to end）。这个术语在AI领域中频繁出现，尤其是在自动驾驶、语音识别和图像识别等领域。 那么，到底什么是端到端，它又是怎样改变我们的技术体验的呢？ 什么是端到端？ “端到端”这个术语，如果从字面上理解，就是从一端到另一端，没有任何中间环节。 在AI领域，它描述的是一种设计方法，其中AI系统直接从输入数据中学习，并产生期望的输出，而不需要人为地分解成多个步骤。 举个例子： 想象一下，你要教一个AI系统识别照片中的猫。 而在端到端的方法中，你只需要给AI系统提供大量的猫的照片和“这不是猫”的照片，系统会自动学习如何从这些照片中区分出猫。它自己会找出哪些特征是识别猫的关键，而不需要人为地告诉它。 端到端的优势 简化流程：端到端的模型减少了人为干预，让AI系统自己学习如何处理任务。 提高效率：由于减少了预处理和特征工程的需求，端到端模型可以更快地开发和部署。
5.5K10编辑于 2024-09-11 - 来自专栏机器之心
AMD Composable Kernel: 定制化算子融合，大幅提升AI端到端性能
与Meta AITemplate的深度合作大幅提升了AI模型在AMD GPU的端到端性能。 图优化在降低 AI 模型的训练和推理使用的时间和资源方面起着重要作用。 图 3，CK 库四层结构 基于 AITemplate + CK 的端到端模型推理 Meta 的 AITemplate 【7】（AIT）是一个统一 AMD 和 Nvidia GPU 的 AI 推理系统。 本文比较了几个端到端模型在 AMD Instinct MI250 和同级别产品【8】的性能表现。 Stable Diffusion 端到端的 Stable Diffusion 下表显示 AIT + CK 在 AMD Instinct MI250 上 Stable Diffusion 端到端（Batch Stable Diffusion 中的 UNet 不过本文还没有关于使用 TensorRT 运行 Stable Diffusion 端到端模型的公开的信息。
1.4K20编辑于 2022-12-15 - 来自专栏AI算法能力提高班
AISP Pipeline | 端到端camera成像原理
最近的方法试图通过估计RGB到RAW的映射来弥合这一差距：手工制作的基于模型的可解释和可控方法通常需要手动参数微调，而端到端可学习的神经网络需要大量的训练数据，有时需要复杂的训练程序，并且通常缺乏可解释性和参数控制 我们提出的可逆模型能够在RAW和RGB域之间进行双向映射，采用丰富的参数表示（即字典）的端到端学习，这些表示不受直接参数监督，并且还能够实现真实的数据增强。 我们可以端到端地学习相机参数，无需手动微调或参数监督。因此，我们可以在没有先验信息的情况下对任何相机进行建模。 该模型具有模块化和可解释性，允许我们添加、修改或检查任何所需的块。 Mapping Methodology 1️⃣ Overview 前向 RAW to RGB 反向 RGB to RAW 6个stage的参数化建模，参考Related Work 整个pipeline端到端训练 Conclusions 较好的效果 RAW image reconstruction & RAW image denoising 少量标注样本即可训练鲁棒模型 将传统的ISP用参数化方法建模，通过神经网络学习映射，实现了端到端的
1.3K01编辑于 2023-12-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号