在计算机愿景的许多领域，转向端到端深度学习引起了前所未有的进展。然而，存在输入图像过大的情况，认为不可能实现端到端的方法。在本文中，我们介绍了一个新的网络，放大网络（磁铁），其可以独立于输入图像尺寸训练端到端。磁铁以新的方式将卷积神经网络与可微分的空间变压器相结合，以便在数十亿像素中从图像导航和成功学习。从普通明田显微镜的放大性，磁铁处理图像的下采样版本，没有监督的吸引力，并且没有监督了如何识别可能对手头的任务有价值的区域，递归地重复每个过程提取的斑块。我们的结果在公开可用的Camelyon16和Camelyon17数据集首先得到了磁铁的有效性和所提出的优化框架，第二个，展示了磁铁的内置透明度的优势，对于医学诊断等关键过程至关重要的属性。