自从我提出这个问题以来，我已经能够很好地结合 Tensorflow 和 Chainer。话虽如此，出于以下几个原因，如果可以的话，应该尽量避免组合深度学习框架：

1. 它使需要参考的文档数量增加了一倍
2. 它使新开发人员难以熟悉代码库。
3. 当必须在深度学习的不同配置之间传输数据时，它会产生多个数据传输瓶颈，例如：CPU -> GPU (Tensorflow) -> CPU -> GPU (Chainer) -> CPU ... 等。

话虽如此，我将它们结合起来是因为一个研究项目的时间限制，该项目不会进入工业产品。在这个研究环境中，我仍然不建议组合框架，如果可以避免的话，但如果这意味着将项目进行概念验证或实验所需的时间增加一倍，那么它似乎是合理的，并且可以大大加快开发速度，直到缺少的功能被添加到所需的框架中。

集成有两个问题：

• 抽象网络，使主要的训练/测试脚本不依赖于框架。

  如果添加了所需框架的缺失功能，这一点很重要。它还可以帮助新开发人员了解整体算法或实验是什么，而不会被框架细节所困扰。

• TensorFlow 和需要 Session 对象的类似框架。

  Chainer、PyTorch（来自 Chainer）和任何其他不需要 Tensorflow 的 Session 之类的框架都可以很好地协同工作，并且可以（几乎）互换使用。对于基于 Session 的框架，主脚本/循环/实验都必须在 Session 中进行。通过适当的抽象，我的实验只需要with tf.Session() as sess:在主实验中使用 a ，并且是使用 Tensorflow 的唯一参考。

尽管出于上述原因我仍然不建议组合框架，但如果将其框架调用抽象得足够多，那么集成深度学习框架几乎是无缝的。