यह शोधपत्र डीप लर्निंग (डीएल) प्रणालियों की दक्षता में सुधार के लिए एक स्वचालित रिफैक्टरिंग तकनीक प्रस्तुत करता है। मौजूदा विलंबित निष्पादन-आधारित डीएल ढाँचों में उत्कृष्ट मापनीयता होती है, लेकिन इनमें त्रुटि-प्रवण, सहज न होने और डीबग करने में कठिनाई जैसी कमियाँ भी होती हैं। दूसरी ओर, इगर निष्पादन विकसित करना आसान है, लेकिन निष्पादित करने में धीमा। इस शोधपत्र में, हम इगर निष्पादन-आधारित डीएल कोड के उन भागों की स्वचालित रूप से पहचान और रिफैक्टरिंग करने की एक तकनीक प्रस्तावित करते हैं जिन्हें ग्राफ़ के आधार पर कुशलतापूर्वक निष्पादित किया जा सकता है। इसे पायथन पर आधारित स्थिर निहित टेंसर और साइड-इफ़ेक्ट विश्लेषण का उपयोग करके कार्यान्वित किया गया है, और पायथन की गतिशील प्रकृति के कारण अनिश्चितता को दूर करने के लिए कीवर्ड-आधारित पूर्वानुमान विश्लेषण का उपयोग करता है। PyDev Eclipse IDE प्लगइन के रूप में कार्यान्वित इस तकनीक का मूल्यांकन 19 डीएल परियोजनाओं (132 KLOC) पर किया गया, और 766 उम्मीदवार फ़ंक्शनों में से 326 (42.56%) को रिफैक्टर करके 2.16 गुना की औसत गति प्राप्त की गई। मॉडल सटीकता में लगभग कोई अंतर नहीं था।
