DeepLearning.scala是一门语言，用来创建结构极其复杂的神经网络。
TensorFlow等其他深度学习框架只支持tensor一种数据结构，神经网络的输入输出都是tensor，业务含义晦涩不明。
Differentiable.scala除了支持tensor以外，还支持复杂的ADT数据结构。ADT可以表示业务模型。所以，你可以让神经网络像普通代码一样，输入输出都是有业务含义的数据结构。你不再需要在神经网络之外加入向量化和数据清理的代码，而可以用神经网络本身直接处理业务数据。
传统的数据科学家都是独行侠，他们根据自己的经验创造模型，模型之间没有定义清晰的接口，从工程角度讲，模型的结构和权重都难以复用，每个新模型都需要重新训练。
用DeepLearning.scala编写的神经网络，像普通的函数一样有个签名。只要输入和输出类型匹配，两个神经网络就可以组合在一起，结构和权重都可以复用。
TensorFlow等其他深度学习框架只支持加减乘除乘方开方等数学运算。
DeepLearning.scala除了支持数学运算以外，还支持控制结构。比如，你可以使用if语句，让神经网络的某些计算步骤只在特定条件下才计算。你可以利用这种能力编写巨大的神经网络，对于每个样本只运行其中很小的子网络。这样的神经网络可以极为通用，同时运行得又很快。
总的来说，DeepLearning.scala是一门完备的编程语言。你并不需要专门学习人工智能，你可以像Java程序员一样编程，写出来的程序就自动有了学习能力。
总觉得怪怪的，tensorflow是隐藏了针对激励函数做反馈的框架，虽然也封装了一些领域运算语言，却是出于利用gpu CUDA加速张量运算的优化目的，这个思路好像并不和tf竞争关系吧