Day 27 - Learned Index实作(1)

前面实作初步的Learned Index并进行测试，今天我们要来实作出Learned Index的完全体!!XD
其实不是完全体，也只是模拟拉 XD
Learned Index 的架构可以分为 LIF、RMI、Search Method，但是，Kraska et al.说明LIF为测试框架，并无完整介绍实际架构为何，因此本次模拟实作Learned Index不包括LIF框架。

Learned Index

Learned Index的主要架构围绕着 Recursive Model Index(RMI)，叠带式的模型索引架构，但是RMI的架构有几层?每层有几个模型?这是可以自行定义，根据 Kraska et al.测试2层的RMI架构，第一层的Model为1个，可以是0~2层神经网路模型，神经元数量8 or 16最好，第二层的架构则选择简单的线性回归，可以有数个。

首先，我们要建置2层架构Learned Index，第二层的Model数量为自带参数:

class Learned_Index():
    
    def __init__(self, model_num):
        self.RMI = [1, model_num]    # Learned Index RMI架构
        self.index = []              # 储存模型的索引

再来就是建置模型，所谓的建置模型，就是依据我们设定的Learned Index架构来配置我们的模型与其数量:

def build(self):
    for m in RMI:
        if(m==1):

            # 第一层 => 建置 NN Model 8x8
            model = Sequential()
            model.add(Dense(8, input_dim=1, activation="relu"))
            model.add(Dense(8, activation="relu"))
            model.add(Dense(1))

            sgd=keras.optimizers.SGD(lr=0.000001)    # lr:学习率,可调参数
            model.compile(loss="mse", optimizer=sgd, metrics=["mse"])
            index.append(model)
        else:
            # 第二层 => 建置多个简单线性回归
            index.append([])
            for j in range(m):
                model = LinearRegression()
                index[1].append(model)

建置完後，我们就要来训练资料噜~
训练资料有点麻烦，因为必须叠带训练，从第一层的1个Model到第二层的多个Models，除此之外，第一层的Model训练完後，要将资料分配至第二层的各个Model，比较复杂一点，我们明天再来实作出剩余的部分并详细解释!

掰铺~~