En este documento, proponemos una técnica innovadora de aprendizaje profundo de extremo a extremo (E2EDL) asistida por un autoencoder sensible al canal (CSAE) para el modelado geométrico probabilístico conjunto. El generador adversarial condicional preentrenado (CGAN) se introduce en el CSAE, que realiza una sustitución diferenciable del modelo de canal de fibra óptica bajo niveles variables de potencia óptica de entrada (IOP). Esto permite que el E2EDL asistido por CSAE diseñe esquemas óptimos de modelado geométrico probabilístico conjunto para sistemas de comunicación de fibra óptica en IOPs variables. Los resultados de la técnica propuesta de E2EDL asistida por CSAE muestran que para una señal de 64-Gbaud de doble polarización con una distancia de transmisión de 5 x 80 km, cuando el formato de modulación es una modulación de amplitud en cuadratura (QAM) de 64 o 128-QAM, el nivel máximo de información mutua generalizada (GMI) aprendido a través de CSAE-aided E2EDL es de 5.9826 o 6.8384 bits/símbolo bajo IOPs variables, respectivamente. Además, el CGAN preentrenado, como sustituto del modelo de transmisión de fibra óptica, caracteriza con precisión la distorsión de las señales con diferentes IOPs, con una diferencia promedio de tasa de error de bits (BER) de solo 1.83%, un error cuadrático medio (MSE) promedio de 0.0041 y una divergencia K-L promedio de 0.0046. En resumen, este documento ofrece nuevas perspectivas sobre la aplicación de E2EDL y demuestra la viabilidad del modelado geométrico probabilístico conjunto basado en E2EDL para sistemas de comunicación de fibra óptica con IOPs variables.