前面實作初步的Learned Index並進行測試，今天我們要來實作出Learned Index的完全體!!XD
其實不是完全體，也只是模擬拉 XD
Learned Index 的架構可以分為 LIF、RMI、Search Method，但是，Kraska et al.說明LIF為測試框架，並無完整介紹實際架構為何，因此本次模擬實作Learned Index不包括LIF框架。

Learned Index

Learned Index的主要架構圍繞著 Recursive Model Index(RMI)，疊帶式的模型索引架構，但是RMI的架構有幾層?每層有幾個模型?這是可以自行定義，根據 Kraska et al.測試2層的RMI架構，第一層的Model為1個，可以是0~2層神經網路模型，神經元數量8 or 16最好，第二層的架構則選擇簡單的線性回歸，可以有數個。

首先，我們要建置2層架構Learned Index，第二層的Model數量為自帶參數:

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

再來就是建置模型，所謂的建置模型，就是依據我們設定的Learned Index架構來配置我們的模型與其數量:

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

            # 第一層 => 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:學習率,可調參數
            model.compile(loss="mse", optimizer=sgd, metrics=["mse"])
            index.append(model)
        else:
            # 第二層 => 建置多個簡單線性回歸
            index.append([])
            for j in range(m):
                model = LinearRegression()
                index[1].append(model)

建置完後，我們就要來訓練資料嚕~
訓練資料有點麻煩，因為必須疊帶訓練，從第一層的1個Model到第二層的多個Models，除此之外，第一層的Model訓練完後，要將資料分配至第二層的各個Model，比較複雜一點，我們明天再來實作出剩餘的部分並詳細解釋!

掰鋪~~