通过图的反向传播：便于部署，反向传播的计算不需要被定义为图。但是灵活性低，因为图可用的特征可能不能用于反向传播的计算。

　　作为扩展图的反向传播：部署变得复杂。但是灵活性高，因为任何图可用的特征都能用于反向传播的计算。

　　如何表征参数

　　作为操作器节点的一部分的参数

　　图中作为独立节点的参数

　　作为操作器节点的一部分的参数：直觉，这种表征和经典的神经网络形式很像，但是有较低的灵活性和重复利用性。

　　图中作为独立节点的参数：灵活性和重复利用性很高。

　　Chainer 的例子

　　Chainer 最初使用的是经典的设计

　　后来被重新设计为两层的视角：一个是现代视角，一个是经典的视角。

　　这种多层的压缩，在现代的框架中很常见。（比如，Keras，PyTorch）

　　如何升级参数？

　　通过图以外的常规升级参数：容易部署，但是一致性很低。

　　把升级的方程式作为图的一部分进行表征：部署变得复杂，但是一致性高。

　　什么时候运行用户的代码？

　　什么时候运行用户的代码？

　　静态计算图：计算容易优化，灵活性和重复利用性低

　　动态计算图：计算很难优化，灵活性和重复利用性高

　　运行时间语言句法的灵活性和可用性

　　如何实现计算性能？

　　图迁移，以优化计算，

　　提供简单的方式来写定制的运行节点

　　如何扩展计算

　　多GPU平行计算

　　分布式计算

　　以下是BenchMark的比较：

我们主要介绍了每一个框架的能力

但是，并没有包括围绕框架的详细比较

框架的选择实际上依赖于写神经网络时的舒适度

在这里，试错很重要

【寻找AI独角兽】新智元联手10大资本

启动2017创业大赛