我认为一个好的深度学习框架/语言应该具备以下特性：
broadcast特性。这点不必说，PyTorch和TensorFlow都有，broadcast是一个很好的特性，可以让我们写出更加简洁的代码。
函数式编程范式。因为深度学习的各种操作本质都是函数，所以使用函数式编程范式可以让我们写出更加简洁的代码。
named tensor特性。named tensor就是给shape加上了名字。比如PyTorch的view操作，TensorFlow的reshape操作，这些操作都是不太方便，因为它们都是通过shape来操作的。
数字索引的shape是一个int数组，就像[32, 100, 200]。
使用named tensor就类似于{'batch':32, 'time':100, 'hidden':200}，其使用名称而不是位置来指代轴。
其中{'batch':32, 'time':100, 'hidden':200}和{'time':100, 'hidden':200, 'batch':32}的shape是一样的。
无序的索引。因为使用命名索引而不是数字索引，所以索引不需要顺序。访问某个元素或者是切片时，只需要提供相应的名称即可，而不需要按照顺序提供所有的索引。这有点类似于“命名参数”和“位置参数”的区别。
以上面的例子来说，我们可以这样访问某个元素：tensor[{'batch':0, 'time':1, 'hidden':2}]，也可以这样访问：tensor[{'time':1, 'hidden':2, 'batch':0}]。
爱因斯坦表示法。拥有类似einops的通过名称而不是索引来操作tensor的特性，这样可以让我们写出更加简洁的代码。
自动调整轴位置。自动将迭代的轴放在最前面，不需要手动调整轴顺序，只需要指定迭代的轴即可。
例如当使用for t in tensor['time']时，框架会自动将底层的tensor的轴调整为time, batch, hidden。
而我们不需要关心迭代的效率问题，因为框架会自动调整轴的顺序。
# tensor.named_shape={'batch':32, 'time':100, 'hidden':200}
t[{'time':0, 'hidden':0}] = 1000 # Select tensor with axis time 0 and axis hidden 0, and set tensor to 1000 with broadcast.
for t in tensor['time']:
# Jax automatically performs dimension permutation for operations: tensor: batch, time, hidden -> time, batch, hidden
# t.named_shape = {'batch':32, 'hidden':200}
...