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

話說(shuō)Fizz Buzz是什么鬼？

Fizz Buzz是洋人小朋友在學(xué)除法時(shí)常玩的游戲，玩法是：從1數(shù)到100，如果遇見了3的倍數(shù)要說(shuō)Fizz，5的倍數(shù)就說(shuō)Buzz，如果即是3的倍數(shù)又是5的倍數(shù)就說(shuō)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，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，在開始面試之前要不要來(lái)杯水或來(lái)杯咖啡提提神。

我：不用，咖啡啥的我已經(jīng)喝的夠多了，三鹿也喝了不少。

面試官：很好，很好，你不介意在小白板上寫代碼吧。

我：It’s the only way I code!

面試官：….

我：那只是個(gè)笑話。

面試官：好吧，你是否熟悉”fizz buzz”。

我：….

面試官：你到底知不知道”fizz buzz”？

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

面試官：OK，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，5的倍數(shù)輸出Buzz，既是3的倍數(shù)又是5的倍數(shù)輸出FizzBuzz。

我：額，這個(gè)，我會(huì)！

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

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。

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

import numpy as np

import tensorflow as tf

面試官：你知道我們的問(wèn)題是”fizz buzz”吧？

我：當(dāng)然，現(xiàn)在讓我們來(lái)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。

面試官：感知器？

我：或神經(jīng)網(wǎng)絡(luò)，不管你怎么叫它。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”。但是，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。

面試官：二進(jìn)制？

我：你懂的，就是一堆0和1，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，夠了！

我：沒錯(cuò)，基本的準(zhǔn)備工作已經(jīng)完成了。現(xiàn)在我們需要生成一個(gè)訓(xùn)練數(shù)據(jù)，我們不用1到100訓(xùn)練，為了增加難度，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，我還不太確定隱藏層要使用多少”神經(jīng)元”，10，夠不？

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。

我：哦，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。下面，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(shuō)的，一個(gè)隱藏層。激活函數(shù)用什么呢，我不知道，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)，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，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(guò)遠(yuǎn)之前，我要提醒你，我們的問(wèn)題是生成1到100的”fizz buzz”。

我：哦，沒錯(cuò)，現(xiàn)在predict_op輸出的值是0-3，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，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，為了保險(xiǎn)就訓(xùn)練10000個(gè)大周天。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，我不知道，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，看準(zhǔn)確率提升曲線非常有幫助。

面試官：….

我：模型訓(xùn)練完了，現(xiàn)在是fizz buzz時(shí)間。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，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，我們會(huì)在聯(lián)系你。

我：聯(lián)系我！這可真喜人。

面試官：….

后記

我沒有得到offer，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。感謝機(jī)器學(xué)習(xí)十八代！！

['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)。