首先，我们可以做这样简单的归纳：流水线适合传统机器学习算法，端到端适合深度学习算法； 【不绝对，但大多数情况下适用】
模型1-情感分类
假如我们正在构建一个情感分类的系统， 输入一句话，输出正面还是负面评论，如
这个拖把非常好用----正面，
这个产品非常不好用----负面，
对于流水线系统
可能包含多个组件，如下图
解析器：一种通过关键词识别技术对文本进行注释的系统，如词性标注，获得如下句子：这个拖把(名词)非常好用(形容词)
普遍情况下可以理解为特征工程
情感分类器：一种学习算法，输入带标注的文本，输出句子情感
解析器的标注对这个算法帮助很大：通过给形容词一个较高的权重，使得算法能很快找到“非常”这样的重要词汇，而忽略“这个”不重要的词汇
对于端到端系统
模型直接连接了输入和输出
神经网络常用于端到端系统， 但是端到端系统不适用于所有情况，不严谨的总结一句：端到端系统需要大量的数据和大规模的模型
模型2-自动驾驶系统
流水线不只是串行的系统，也可以是并行的系统，如自动驾驶模型
它包含了 3 个组件
检测车辆：
检测行人：
路径规划：
流水线中的系统并不一定都需要学习，如路径规划
自动驾驶端到端系统如下
显然自动驾驶端到端不如流水线好实现
流水线 vs 端到端
设计模型时如何选择流水线或者端到端呢，有如下依据
1. 数据量大小
流水线加入了认为设计的特征描述，使得算法更容易学到有用的知识，对于数据量不太大的模型，流水线能加速收敛，而端到端可能还没学到有用的知识就已经用完了样本
2. 数据获取难度
以自动驾驶为例，
对于流水线系统，检测车辆、检测行人都很容易获取大量的数据，这方面的研究已经很成熟；
对于端到端系统，直接获取<图像，操作方向>这样的数据是非常困难的；
3. 任务的简单化
详情参看下面参考资料 P96
我简单总结如下：如果一个任务分解成流水线后变得简单，那就选择流水线
4. 输出更为丰富的 label
通常输出 label 为 0-1，假设我们需要更加丰富的输出，如
输入一种图片，输出对图片的文字描述，一句话，
此时选择端到端系统
参考资料：
吴恩达：完整翻译版《机器学习要领》