鐵人檔案
2017年Google發了一篇論文叫 " The Case for Learned Index Structures "，他們提出了一個嶄新的想法，使用機器學習、深度學習的模型學習資料的分布，使用模型預測資料的所在位置，就能更快速地查找到資料，他們將這樣的索引結構稱為 "Learned Index" 。
我希望能基於此論文，進行30天的鐵人競賽，探討並實作出Learned Index !
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)。 Le...
今天要介紹Recurisive Model Indexes (RMI)，大家還記得初步實驗嗎? 當時他們只使用單一個NN模型進行訓練，發現訓練後的精準度不佳，因...
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...
混和式索引...? 沒錯 ! 太炫了ㄅ XD Hybrid Indexes主要是延伸自RMI，由不同的Models組合而成。 在最上層的Model使用簡單的深度...
Learned Index利用Model來學習資料的CDF分布，預測資料的位置，那他們是如何查詢的呢? Kraska et al. 提出了他們查詢的策略 Sea...
今天終於要來看測試結果ㄌ，Kraska et al.使用生活中實際、綜合的數據集比較Learned Index與傳統索引的查詢時間、空間利用率。 Integer...
除了 Learned Index 與 B+-Tree 的比較外，Kraska et al. 也與其他學者所設計的索引結構進行比較。 Learned Index...
根據測試結果 Learned Index 的測試結果是優於 B-Tree，從前面實驗結果可以看到，不論是哪種分布的資料， B-Tree 都遠不及阿~ 但是 !...
接下來我們要實作出 Learned Index，我們所使用的語言為 Python，搭配 Anaconda 管理我們的環境與套件。 甚麼是Anaconda ? A...
延續昨天的使用的套件管理平台Anaconda，今天我們要來下載會使用到的套件至我們的虛擬環境嚕 ! 我們使用Anaconda提供的介面話設定下載 : 有時安裝...
