Para abordar los avances en la tecnología de interferencias, es imperativo considerar métodos robustos de formación de haces adaptativos (RBF) con instantáneas finitas y errores de ganancia/fase (G/P). Este documento introduce un enfoque RBF de extremo a extremo que utiliza una red neuronal convolucional de dos etapas. La primera etapa incluye bloques convolucionales y bloques residuales sin submuestreo; los bloques evalúan la matriz de covarianza con precisión utilizando instantáneas finitas. La segunda etapa mapea la salida de la primera etapa a un vector de peso adaptativo empleando una estructura similar a la primera etapa. Las dos etapas se pre-entrenan con diferentes conjuntos de datos y se ajustan finamente como redes de extremo a extremo, simplificando el proceso de entrenamiento de la red. La estructura de dos etapas permite que la red posea un significado físico práctico, lo que permite un rendimiento satisfactorio incluso con pocas instantáneas en presencia de errores de ganancia/fase del conjunto. Demostramos el rendimiento del formador de haces resultante con ejemplos numéricos y lo comparamos con varios otros formadores de haces adaptativos.