原文地址：http://joelgrus.com/2016/05/23/fizz-buzz-in-tensorflow（作者：Joel Grus）
话说Fizz Buzz是什么鬼？
Fizz Buzz是洋人小朋友在学除法时常玩的游戏，玩法是：从1数到100，如果遇见了3的倍数要说Fizz，5的倍数就说Buzz，如果即是3的倍数又是5的倍数就说FizzBuzz。
最后演变为一个编程面试题：写一个程序输出1到100，但是如果遇到数字为3的倍数时输出Fizz，5的倍数输出Buzz，既是3的倍数又是5的倍数输出FizzBuzz。
面试中
面试官：你好，在开始面试之前要不要来杯水或来杯咖啡提提神。
我：不用，咖啡啥的我已经喝的够多了，三鹿也喝了不少。
面试官：很好，很好，你不介意在小白板上写代码吧。
我：It’s the only way I code!
面试官：….
我：那只是个笑话。
面试官：好吧，你是否熟悉”fizz buzz”。
我：….
面试官：你到底知不知道”fizz buzz”？
我：我知道”fizz buzz”，我只是不敢相信这么牛叉的IT巨头竟然问这个问题。
面试官：OK，我要你现在写一个程序输出1到100，但是遇到数字为3的倍数时输出Fizz，5的倍数输出Buzz，既是3的倍数又是5的倍数输出FizzBuzz。
我：额，这个，我会！
面试官：很好，我们发现不会解这个问题的人不能胜任我们这里的工作。
我：….
面试官：这是板擦和马克笔。
我：[想了几分钟]
面试官：需不需要帮忙。
我：不，不用。首先先容我导入一些标准库：
|
1
2
|
import
numpy
as
np
import
tensorflow
as
tf
|
面试官：你知道我们的问题是”fizz buzz”吧？
我：当然，现在让我们来讨论一下模型，我正在想一个简单的只有一个隐藏层的感知器。
面试官：感知器？
我：或神经网络，不管你怎么叫它。给它输入数字，然后它能给我们输出数字对应的”fizz buzz”。但是，首先我们需要把数字转为向量，最简单的方法是把数字转换为二进制表示。
面试官：二进制？
我：你懂的，就是一堆0和1，像这样：
|
1
2
|
def
binary_encode
(
i
,
num_digits
)
:
return
np
.
array
(
[
i
>>
d
&
1
for
d
in
range
(
num_digits
)
]
)
|
面试官：[盯着小白板看了一分钟]
我：输出应该用one-hot编码表示”fizz buzz”：
|
1
2
3
4
5
|
def
fizz_buzz_encode
(
i
)
:
if
i
%
15
==
0
:
return
np
.
array
(
[
0
,
0
,
0
,
1
]
)
# FizzBuzz
elif
i
%
5
==
0
:
return
np
.
array
(
[
0
,
0
,
1
,
0
]
)
# Buzz
elif
i
%
3
==
0
:
return
np
.
array
(
[
0
,
1
,
0
,
0
]
)
# Fizz
else
:
return
np
.
array
(
[
1
,
0
,
0
,
0
]
)
|
面试官：等一等，够了！
我：没错，基本的准备工作已经完成了。现在我们需要生成一个训练数据，我们不用1到100训练，为了增加难度，我们使用100-1024训练：
|
1
2
3
|
NUM_DIGITS
=
10
trX
=
np
.
array
(
[
binary_encode
(
i
,
NUM_DIGITS
)
for
i
in
range
(
101
,
2
*
*
NUM_DIGITS
)
]
)
trY
=
np
.
array
(
[
fizz_buzz_encode
(
i
)
for
i
in
range
(
101
,
2
*
*
NUM_DIGITS
)
]
)
|
面试官：….
我：现在就可以使用TensorFlow搭模型了，我还不太确定隐藏层要使用多少”神经元”，10，够不？
面试官：….
我：100也许要好点，以后还可以再改：
|
1
|
NUM_HIDDEN
=
100
|
定义输入和输出：
|
1
2
|
X
=
tf
.
placeholder
(
"float"
,
[
None
,
NUM_DIGITS
]
)
Y
=
tf
.
placeholder
(
"float"
,
[
None
,
4
]
)
|
面试官：你到底要搞哪样。
我：哦，这个网络只有两层深，一个隐藏层和一个输出层。下面，让我们使用随机数初始化“神经元”的权重：
|
1
2
3
4
5
|
def
init_weights
(
shape
)
:
return
tf
.
Variable
(
tf
.
random_normal
(
shape
,
stddev
=
0.01
)
)
w_h
=
init_weights
(
[
NUM_DIGITS
,
NUM_HIDDEN
]
)
w_o
=
init_weights
(
[
NUM_HIDDEN
,
4
]
)
|
现在我们可以定义模型了，就像我前面说的，一个隐藏层。激活函数用什么呢，我不知道，就用ReLU吧：
|
1
2
3
|
def
model
(
X
,
w_h
,
w_o
)
:
h
=
tf
.
nn
.
relu
(
tf
.
matmul
(
X
,
w_h
)
)
return
tf
.
matmul
(
h
,
w_o
)
|
我们可以使用softmax cross-entrop做为coss函数，并且试图最小化它。
|
1
2
3
4
|
py_x
=
model
(
X
,
w_h
,
w_o
)
cost
=
tf
.
reduce_mean
(
tf
.
nn
.
softmax_cross_entropy_with_logits
(
py_x
,
Y
)
)
train_op
=
tf
.
train
.
GradientDescentOptimizer
(
0.05
)
.
minimize
(
cost
)
|
面试官：….
我：当然，最后还要取概率最大的预测做为结果：
|
1
|
predict_op
=
tf
.
argmax
(
py_x
,
1
)
|
面试官：在你偏离轨道过远之前，我要提醒你，我们的问题是生成1到100的”fizz buzz”。
我：哦，没错，现在predict_op输出的值是0-3，还要转换为”fizz buzz”输出：
|
1
2
|
def
fizz_buzz
(
i
,
prediction
)
:
return
[
str
(
i
)
,
"fizz"
,
"buzz"
,
"fizzbuzz"
]
[
prediction
]
|
面试官：….
我：现在我们可以训练模型了，首先创建一个session并初始化变量：
|
1
2
|
with
tf
.
Session
(
)
as
sess
:
tf
.
global_variables_initializer
(
)
.
run
(
)
|
就训练1000个大周天吧。
面试官：….
我：也许不够，为了保险就训练10000个大周天。我们的训练数据是生成的序列，最好在每个大周天随机打乱一下：
|
1
2
3
|
for
epoch
in
range
(
10000
)
:
p
=
np
.
random
.
permutation
(
range
(
len
(
trX
)
)
)
trX
,
trY
=
trX
[
p
]
,
trY
[
p
]
|
每次取多少个样本进行训练，我不知道，128怎么样？
|
1
|
BATCH_SIZE
=
128
|
训练：
|
1
2
3
|
for
start
in
range
(
0
,
len
(
trX
)
,
BATCH_SIZE
)
:
end
=
start
+
BATCH_SIZE
sess
.
run
(
train_op
,
feed_dict
=
{
X
:
trX
[
start
:
end
]
,
Y
:
trY
[
start
:
end
]
}
)
|
我们还能看准确率：
|
1
|
print
(
epoch
,
np
.
mean
(
np
.
argmax
(
trY
,
axis
=
1
)
==
sess
.
run
(
predict_op
,
feed_dict
=
{
X
:
trX
,
Y
:
trY
}
)
)
)
|
面试官：你是认真的吗？
我：是，看准确率提升曲线非常有帮助。
面试官：….
我：模型训练完了，现在是fizz buzz时间。给模型输入1-100的二进制表示：
|
1
2
|
numbers
=
np
.
arange
(
1
,
101
)
teX
=
np
.
transpose
(
binary_encode
(
numbers
,
NUM_DIGITS
)
)
|
预测fizz buzz，大功告成：
|
1
2
3
4
|
teY
=
sess
.
run
(
predict_op
,
feed_dict
=
{
X
:
teX
}
)
output
=
np
.
vectorize
(
fizz_buzz
)
(
numbers
,
teY
)
print
(
output
)
|
面试官：….
我：这就是你要的”fizz buzz”。
面试官：够了，我们会在联系你。
我：联系我！这可真喜人。
面试官：….
后记
我没有得到offer，于是我运行了一下这个代码，事实证明有一些输出是错的。感谢机器学习十八代！！
|
1
2
3
4
5
6
7
8
9
|
[
'buzz'
'2'
'fizz'
'buzz'
'buzz'
'fizz'
'7'
'8'
'fizz'
'buzz'
'11'
'fizz'
'13'
'14'
'fizzbuzz'
'fizz'
'17'
'fizz'
'19'
'buzz'
'fizz'
'22'
'23'
'fizz'
'buzz'
'26'
'fizz'
'28'
'29'
'fizzbuzz'
'31'
'32'
'fizz'
'34'
'buzz'
'fizz'
'37'
'38'
'fizz'
'buzz'
'41'
'fizz'
'43'
'44'
'fizzbuzz'
'46'
'47'
'fizz'
'fizz'
'buzz'
'fizz'
'52'
'fizz'
'fizz'
'buzz'
'56'
'fizz'
'58'
'59'
'fizzbuzz'
'61'
'62'
'fizz'
'64'
'buzz'
'fizz'
'67'
'68'
'fizz'
'buzz'
'71'
'fizz'
'73'
'74'
'fizzbuzz'
'76'
'77'
'fizz'
'79'
'buzz'
'fizz'
'82'
'83'
'fizz'
'buzz'
'86'
'fizz'
'88'
'89'
'fizzbuzz'
'91'
'92'
'fizz'
'94'
'buzz'
'fizz'
'97'
'98'
'fizz'
'buzz'
]
|
也许我应该使用更深的网络。
作者@斗大的熊猫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
