原文地址：http://joelgrus.com/2016/05/23/fizz-buzz-in-tensorflow（作者：Joel Grus）

話說Fizz Buzz是什么鬼麸祷？

Fizz Buzz是洋人小朋友在學(xué)除法時(shí)常玩的游戲液样，玩法是：從1數(shù)到100，如果遇見了3的倍數(shù)要說Fizz，5的倍數(shù)就說Buzz，如果即是3的倍數(shù)又是5的倍數(shù)就說FizzBuzz。

最后演變?yōu)橐粋€(gè)編程面試題：寫一個(gè)程序輸出1到100，但是如果遇到數(shù)字為3的倍數(shù)時(shí)輸出Fizz，5的倍數(shù)輸出Buzz掰茶，既是3的倍數(shù)又是5的倍數(shù)輸出FizzBuzz。

面試中

面試官：你好蜜笤，在開始面試之前要不要來杯水或來杯咖啡提提神符匾。

我：不用，咖啡啥的我已經(jīng)喝的夠多了瘩例，三鹿也喝了不少啊胶。

面試官：很好甸各，很好，你不介意在小白板上寫代碼吧焰坪。

我：It’s the only way I code!

面試官：….

我：那只是個(gè)笑話趣倾。

面試官：好吧，你是否熟悉”fizz buzz”某饰。

我：….

面試官：你到底知不知道”fizz buzz”儒恋？

我：我知道”fizz buzz”，我只是不敢相信這么牛叉的IT巨頭竟然問這個(gè)問題黔漂。

面試官：OK诫尽，我要你現(xiàn)在寫一個(gè)程序輸出1到100，但是遇到數(shù)字為3的倍數(shù)時(shí)輸出Fizz炬守，5的倍數(shù)輸出Buzz牧嫉，既是3的倍數(shù)又是5的倍數(shù)輸出FizzBuzz。

我：額减途，這個(gè)酣藻，我會(huì)！

面試官：很好鳍置，我們發(fā)現(xiàn)不會(huì)解這個(gè)問題的人不能勝任我們這里的工作辽剧。

我：….

面試官：這是板擦和馬克筆。

我：[想了幾分鐘]

面試官：需不需要幫忙税产。

我：不怕轿，不用。首先先容我導(dǎo)入一些標(biāo)準(zhǔn)庫：

import numpy as np

import tensorflow as tf

面試官：你知道我們的問題是”fizz buzz”吧辟拷？

我：當(dāng)然撤卢，現(xiàn)在讓我們來討論一下模型，我正在想一個(gè)簡(jiǎn)單的只有一個(gè)隱藏層的感知器梧兼。

面試官：感知器？

我：或神經(jīng)網(wǎng)絡(luò)智听，不管你怎么叫它羽杰。給它輸入數(shù)字，然后它能給我們輸出數(shù)字對(duì)應(yīng)的”fizz buzz”到推。但是考赛，首先我們需要把數(shù)字轉(zhuǎn)為向量，最簡(jiǎn)單的方法是把數(shù)字轉(zhuǎn)換為二進(jìn)制表示莉测。

面試官：二進(jìn)制颜骤？

我：你懂的，就是一堆0和1捣卤，像這樣：

def binary_encode(i, num_digits):

return np.array([i >> d & 1 for d in range(num_digits)])

面試官：[盯著小白板看了一分鐘]

我：輸出應(yīng)該用one-hot編碼表示”fizz buzz”：

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])

面試官：等一等忍抽，夠了八孝！

我：沒錯(cuò)，基本的準(zhǔn)備工作已經(jīng)完成了○睿現(xiàn)在我們需要生成一個(gè)訓(xùn)練數(shù)據(jù)干跛，我們不用1到100訓(xùn)練，為了增加難度祟绊，我們使用100-1024訓(xùn)練：

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)])

面試官：….

我：現(xiàn)在就可以使用TensorFlow搭模型了楼入，我還不太確定隱藏層要使用多少”神經(jīng)元”，10牧抽，夠不嘉熊？

面試官：….

我：100也許要好點(diǎn)，以后還可以再改：

NUM_HIDDEN = 100

定義輸入和輸出：

X = tf.placeholder("float", [None, NUM_DIGITS])

Y = tf.placeholder("float", [None, 4])

面試官：你到底要搞哪樣扬舒。

我：哦阐肤，這個(gè)網(wǎng)絡(luò)只有兩層深，一個(gè)隱藏層和一個(gè)輸出層呼巴。下面泽腮，讓我們使用隨機(jī)數(shù)初始化“神經(jīng)元”的權(quán)重：

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])

現(xiàn)在我們可以定義模型了，就像我前面說的衣赶，一個(gè)隱藏層诊赊。激活函數(shù)用什么呢，我不知道府瞄，就用ReLU吧：

def model(X, w_h, w_o):

h = tf.nn.relu(tf.matmul(X, w_h))

return tf.matmul(h, w_o)

我們可以使用softmax cross-entrop做為coss函數(shù)碧磅，并且試圖最小化它。

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)

面試官：….

我：當(dāng)然遵馆，最后還要取概率最大的預(yù)測(cè)做為結(jié)果：

predict_op = tf.argmax(py_x, 1)

面試官：在你偏離軌道過遠(yuǎn)之前鲸郊，我要提醒你，我們的問題是生成1到100的”fizz buzz”货邓。

我：哦秆撮，沒錯(cuò)，現(xiàn)在predict_op輸出的值是0-3换况，還要轉(zhuǎn)換為”fizz buzz”輸出：

def fizz_buzz(i, prediction):

return [str(i), "fizz", "buzz", "fizzbuzz"][prediction]

面試官：….

我：現(xiàn)在我們可以訓(xùn)練模型了职辨，首先創(chuàng)建一個(gè)session并初始化變量：

with tf.Session() as sess:

tf.global_variables_initializer().run()

就訓(xùn)練1000個(gè)大周天吧。

面試官：….

我：也許不夠戈二，為了保險(xiǎn)就訓(xùn)練10000個(gè)大周天舒裤。我們的訓(xùn)練數(shù)據(jù)是生成的序列，最好在每個(gè)大周天隨機(jī)打亂一下：

for epoch in range(10000):

p = np.random.permutation(range(len(trX)))

trX, trY = trX[p], trY[p]

每次取多少個(gè)樣本進(jìn)行訓(xùn)練觉吭，我不知道腾供，128怎么樣？

BATCH_SIZE = 128

訓(xùn)練：

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]})

我們還能看準(zhǔn)確率：

print(epoch, np.mean(np.argmax(trY, axis=1) == sess.run(predict_op, feed_dict={X: trX, Y: trY})))

面試官：你是認(rèn)真的嗎？

我：是伴鳖，看準(zhǔn)確率提升曲線非常有幫助节值。

面試官：….

我：模型訓(xùn)練完了，現(xiàn)在是fizz buzz時(shí)間黎侈。給模型輸入1-100的二進(jìn)制表示：

numbers = np.arange(1, 101)

teX = np.transpose(binary_encode(numbers, NUM_DIGITS))

預(yù)測(cè)fizz buzz察署，大功告成：

teY = sess.run(predict_op, feed_dict={X: teX})

output = np.vectorize(fizz_buzz)(numbers, teY)

print(output)

面試官：….

我：這就是你要的”fizz buzz”。

面試官：夠了峻汉，我們會(huì)在聯(lián)系你贴汪。

我：聯(lián)系我！這可真喜人休吠。

面試官：….

后記

我沒有得到offer扳埂，于是我運(yùn)行了一下這個(gè)代碼，事實(shí)證明有一些輸出是錯(cuò)的瘤礁。感謝機(jī)器學(xué)習(xí)十八代Ｑ舳！

['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']

也許我應(yīng)該使用更深的網(wǎng)絡(luò)柜思。