昨天講到關於RMI的架構，今天會詳細地介紹關於RMI是如何執行與分配資料，搭配公式來解說，讓大家更深入地瞭解~~

題外話 - 大概等到本篇論文講到一個段落，才會開始實作喔><
抱歉各位，一堆屁話，請多多包涵 !

• 我們先來定義參數

: 代表 Model 輸入的 key 值為 x。

: 表示position，範圍[0,N)。

: 代表層數，第 層。

: 代表第層總共的Model數量。

: 表示第幾個Model。

舉例: 就表示第層的第k個Model

• 執行RMI公式

上方的公式為RMI的重點，不斷地執行上面的公式，直到選擇至最後一層的Model，最後預測出位置。

• 計算誤差公式

迭代地訓練每層的每個Model，以平方差來計算平均誤差。

嗯嗯嗯...很像就這樣講完了XD

等等..那資料是如何分配至下一層的呢??

我們繼續看下去 ~

分配資料給下層Model的公式

我們來放大看看執行RMI的公式~燈燈燈燈燈 ! (從口袋拿出放大燈)

放大燈 !!!

紅框就是分配資料的公式，Model訓練完後，依據其 預測的位置 除以所有的資料數量 ，在乘以 下一層的Model總數 ，來分配給下一層的Model。

這個公式的想法就是: Key值根據Model預測出的位置分布，決定被分配至下一層的哪一個Model

Ex: 當Key值被預測出的位置比較後面，那就由較後面的Model來負責訓練。

我的表達很像真的很爛...但我盡力了XD

簡單來說，RMI架構的設計，是為了使大量的Keys依據迭代的Model訓練並將分布相較集中的Key值聚集在一起，由不同Model訓練預測。

想一想~

方法一、使用單一個Model訓練所有的資料並預測

方法二、使用RMI架構，將資料分配至好幾堆，分別由不同的Model訓練

方法二當然比較好呀，因為方法二就是為了彌補方法一的缺陷所設計的麻 XD