B-Tree该如何理解

今天就跟大家聊聊有关B-Tree该如何理解，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。B-Tree就是我们常说的B树，一定不要读成B减树，否则就很丢人了。B树这种数据结构常常用于实现数据库索引，因为它的查找效率比较高。磁盘读取依靠的是机械运动，分为寻道时间、旋转延迟、传输时间三个部分，这三个部分耗时相加就是一次磁盘IO的时间，大概9ms左右。这个成本是访问内存的十万倍左右；正是由于磁盘IO是非常昂贵的操作，所以计算机操作系统对此做了优化：预读；每一次IO时，不仅仅把当前磁盘地址的数据加载到内存，同时也把相邻数据也加载到内存缓冲区中。因为局部预读原理说明：当访问一个地址数据的时候，与其相邻的数据很快也会被访问到。每次磁盘IO读取的数据我们称之为一页（page）。一页的大小与操作系统有关，一般为4k或者8k。这也就意味着读取一页内数据的时候，实际上发生了一次磁盘IO。我们知道二叉查找树查询的时间复杂度是O（logN），查找速度最快和比较次数最少，既然性能已经如此优秀，但为什么实现索引是使用B-Tre 香港云主机e而不是二叉查找树，关键因素是磁盘IO的次数。数据库索引是存储在磁盘上，当表中的数据量比较大时，索引的大小也跟着增长，达到几个G甚至更多。当我们利用索引进行查询的时候，不可能把索引全部加载到内存中，只能逐一加载每个磁盘页，这里的磁盘页就对应索引树的节点。我们先来看二叉树查找时磁盘IO的次：定义一个树高为4的二叉树，查找值为10：第一次磁盘IO： 第二次磁盘IO 第三次磁盘IO: 第四次磁盘IO： 从二叉树的查找过程了来看，树的高度和磁盘IO的次数都是4，所以最坏的情况下磁盘IO的次数由树的高度来决定。从前面分析情况来看，减少磁盘IO的次数就必须要压缩树的高度，让瘦高的树尽量变成矮胖的树，所以B-Tree就在这样伟大的时代背景下诞生了。m阶B-Tree满足以下条件：1、每个节点最多拥有m个子树2、根节点至少有2个子树3、分支节点至少拥有m/2颗子树（除根节点和叶子节点外都是分支节点）4、所有叶子节点都在同一层、每个节点最多可以有m-1个key，并且以升序排列。如下有一个3阶的B树，观察查找元素21的过程： 第一次磁盘IO： 第二次磁盘IO： 这里有一次内存比对：分别跟3与12比对第三次磁盘IO: 这里有一次内存比对，分别跟14与21比对从查找过程中发现，B树的比对次数和磁盘IO的次数与二叉树相差不了多少，所以这样看来并没有什么优势。但是仔细一看会发现，比对是在内存中完成中，不涉及到磁盘IO，耗时可以忽略不计。另外B树种一个节点中可以存放很多的key（个数由树阶决定）。相同数量的key在B树中生成的节点要远远少于二叉树中的节点，相差的节点数量就等同于磁盘IO的次数。这样到达一定数量后，性能的差异就显现出来了。在刚才的基础上新增元素4，它应该在3与9之间： 删除元素9： 插入或者删除元素都会导致节点发生裂变反应，有时候会非常麻烦，但正因为如此才让B树能够始终保持多路平衡，这也是B树自身的一个优势：自平衡；B树主要应用于文件系统以及部分数据库索引，如MongoDB，大部分关系型数据库索引则是使用B+树实现。看完上述内容，你们对B-Tree该如何理解有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注开发云行业资讯频道，感谢大家的支持。

相关推荐: 怎么通过增加模型的大小来加速Transformer的训练和推理

本篇文章给大家分享的是有关怎么通过增加模型的大小来加速Transformer的训练和推理，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。你没有看错，确实是通过增大模型的大小，大家别忘了，在训练的时候…