神经网络通常以大量数据为特征，并且需要使用并行计算。它是否使函数式语言更适合构建神经网络？
答案 0 :(得分：3)
不是真的。如果你坚持不变性（或更准确地避免任何类型的不受控制的副作用），函数式语言通常会使并行化变得微不足道。如果不这样做，那么在非函数语言中使事物并行并不容易。 在这种情况下，您有两个选择：
使用副作用，但是以局部方式，因此并行线程彼此没有业务关系：例如你评估了很多NN-s，它们中的每一个都可以发生在它自己的线程上（使用一个线程池，线程数量不超过CPU内核数量是一个好主意）。
对于非本地化的副作用，您需要依赖同步或其他一些方法来控制它。一个这样的例子是演员的计算模型（在功能语言用户中非常流行，但也可用于java，请参阅http://akka.io/），这通常会让你在演员中产生副作用，但演员的互动有其条规严格。这将使您免于低级线程处理的业务。
你应该考虑的另一件事是，拥有一个中等性能的NN实现并不困难，拥有一个纯粹的功能也不是很复杂，但同时做这两个可能是一项具有挑战性的任务。所以 - 除非你对函数式语言有经验 - 我认为用非函数式语言编写并行化的NN更容易，或者至少以非纯粹的方式编写。