延續上一篇的介紹，為了解決初步測試所遇到的問題，提出了一些新的優化方法與框架，今天我們要介紹 Learning Index Framework(LIF)。

Learning Index Framework

此框架被視為一個 索引合成系統，

他的解釋是這樣低 :

• 你可以自行設定索引的規範，LIF會依據你的規範生成索引，並且對於此索引，進行自動化地優化與測試。

• LIF可以很快地學習簡單的模型 (e.g., Linear Regression Models)，但對於相較複雜的模型 (e.g., NN)，它仍須依賴TensorFlow。

• 雖然LIF依賴TensorFlow，但並不使用TensorFlow所建置的模型。換句話說，相較複雜的模型，經由TensorFlow訓練後，LIF會自動取出訓練好模型的參數，基於自訂的規範，使用C++產生更有效的索引結構。

• 我們自動產生程式碼的過程，主要是針對小型的模型，可以減少所有不必要的成本。

• 執行簡單的模型只要30 奈秒 !

但是他們特別說明，此框架還是個實驗框架，可以快速地評估索引架構(e.g., Machine Learning模型、不同page大小、搜尋策略..等等)。除此之外，對於框架，他們並沒有使用特殊的SIMD指令，主要是為了確保只在使用我們的框架下，與其他結構比較下的結果。

其實對於LIF，Kraska et al. 並沒有更詳細地介紹，例如提供演算法範例..等等，主要就是使用LIF可以自行生成更有效率的索引，加速模型的執行。

下一篇我們將介紹Recursive-Model Indexes (RMI)。