昨天講到 Kraska et al. 建置神經網路進行初步實驗測試，今天主要是要講實驗的測試結果，經由初步的測試結果它們發現:

• 使用Model進行預測 每秒可執行1250個操作，一個操作大約花 80000 ns。
• 這裡所計算的時間不包括找到確切的資料，只計算Model執行的時間。

比較其他的索引結構:

• B-tree: 查找同樣的資料大約花了 300 ns 。
• Binary Search: 大約花了 900 ns。

初步的實驗結果發現，光是Model的操作時間就比傳統的索引結構查找時間還慢，他們也提出了幾個關於初步測試的缺點:

1. Tensorflow的使用主要是有效地運行更大的模型，而不是小模型，因此會造成一些基本的開銷，尤其是使用Python來調用。

2. B-Tree或是Decision Tree可以很好地擬合資料通過一些操作來遞歸地劃分空間，像是使用簡單的if語句。

   但相對地，Model主要是擬合CDF分布，雖然CDF分布看起很平滑，但放大看，其實是有顆粒狀的、粒粒分明的 ! 因此造成精準度的問題 ~

3. B-Tree的緩存和操作效率很高，因為它們使頂部節點始終處於cache，提高操作效能。

   相反，標準神經網絡需要所有權重來計算預測，會有造成較高的成本於乘法計算上面。

有些地方也是說得很模糊拉....大家多多包涵呦~

大致上瞭解就好了 XD