据说国外面试会经常问一个fizzbuzz问题,来看看面试的人到底有没有写过代码:
大致的意思如下:
for each number 1 to 100:
if number % 15 == 0:
print(number, "fizzbuzz")
else if number % 5 == 0:
print(number, "buzz")
else if number % 3 == 0:
print(number, "fizz")
else:
print(number)
就是从1到100,遇到被3整除打印fizz,遇到5整除打印buzz,遇到同时被3和5整除打印fizzbuzz.
tensorflow object detection api 检测自己的数据集
YOLO实战
如果使用深度学习的思路来写这个程序又是怎样的呢?
from keras.models import Sequential
import numpy as np
from keras.layers import Dense
def binary_encode(i, num_digits):
return np.array([i >> d & 1 for d in range(num_digits)])
def fizz_buzz_encode(i):
if i % 15 == 0: return np.array([0, 0, 0, 1])
elif i % 5 == 0: return np.array([0, 0, 1, 0])
elif i % 3 == 0: return np.array([0, 1, 0, 0])
else: return np.array([1, 0, 0, 0])
NUM_TRAIN = 10
x_train = np.array([binary_encode(i, NUM_TRAIN) for i in range(101, 2 ** NUM_TRAIN)])
y_train = np.array([fizz_buzz_encode(i) for i in range(101, 2 ** NUM_TRAIN)])
x_test = np.array([binary_encode(i, NUM_TRAIN) for i in range(0, 100)])
y_test = np.array([fizz_buzz_encode(i) for i in range(0, 100)])
model = Sequential()
model.add(Dense(units=1000, activation='relu', input_dim=10))
model.add(Dense(units=4, activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='adam',
metrics=['accuracy'])
model.fit(x_train, y_train, epochs=100, batch_size=32)
loss_and_metrics = model.evaluate(x_train, y_train, batch_size=128)
print(loss_and_metrics[1])
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
print(loss_and_metrics[1])
先要制造一些样本数据,再建造一个简单的神经网络,然后训练100轮,最后可以发现,可以达到100%的准确率。
这个例子展示了深度学习程序编写思路与传统编程方式有些不同:
1)模型为核心,模型其实就是一个函数,可以是一个简单的线性函数,也可以是由很多非线性函数级联在一起的神经网络。
2)模型输入是向量,输出也是向量。
3)要有样本,而且是向量格式的样本。