一场奇怪的面试，TensorFlow 实现FizzBuzz
在某大神博客看到一篇翻译文章，实在有意思，原文链接：http://blog.topspeedsnail.com/archives/11010
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：
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：
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”：
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：
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：
定义输入和输出：
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：
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：
我们可以使用softmax cross-entrop做为coss函数，并且试图最小化它。
面试官：….
我：当然，最后还要取概率最大的预测做为结果：
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：
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：
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：
每次取多少个样本进行训练，我不知道，128怎么样？
训练：
我们还能看准确率：
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：
预测fizz buzz，大功告成：
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！！
也许我应该使用更深的网络。
以上是大神的翻译于是自己写了一下文章中的代码：
import numpy as np
import tensorflow as tf
def binary_encode(i, num_digits):
return np.array([i >> d & 1 for d in range(num_digits)])
def pro_data():
data_set_list=[binary_encode(i,14) for i in range(101,10001,1)]
data_set=np.array(data_set_list)
data_lable=[]
for i in range(101,10001,1):
if i%15==0:
data_lable.append([1,0,0,0])
elif i%5==0:
data_lable.append([0,1,0,0])
elif i%3==0:
data_lable.append([0,0,1,0])
else:
data_lable.append([0,0,0,1])
data_lable=np.array(data_lable)
return data_set,data_lable
def predict2word(num,prediction):
return ['fizzbuzz','buzz','fizz',str(num)][prediction]
def train_model(epoch=10000):
train_data,train_label=pro_data()
X=tf.placeholder('float32',[None,14])
Y=tf.placeholder('float32',[None,4])
weights1=tf.Variable(tf.random_normal([14,32]))
bias1=tf.Variable(tf.random_normal([32]))
weights2=tf.Variable(tf.random_normal([32,64]))
bias2=tf.Variable(tf.random_normal([64]))
weights3 = tf.Variable(tf.random_normal([64,4]))
bias3 = tf.Variable(tf.random_normal([4]))
fc1=tf.nn.relu(tf.matmul(X,weights1)+bias1)
fc2=tf.nn.relu(tf.matmul(fc1,weights2)+bias2)
out=tf.matmul(fc2,weights3)+bias3
cost=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(out,Y))
train_op=tf.train.GradientDescentOptimizer(0.01).minimize(cost)
predict_op = tf.argmax(out, 1)
sess = tf.Session()
init_op=tf.initialize_all_variables()
sess.run(init_op)
for i in range(epoch):
batch_size=256
rand_oder=np.random.permutation(range(len(train_data)))
train_data,train_label=train_data[rand_oder],train_label[rand_oder]
for j in range(0,len(train_data)-1,batch_size):
end=j+batch_size
sess.run(train_op,feed_dict={X:train_data[j:end],Y:train_label[j:end]})
print(i, np.mean(np.argmax(train_label, axis=1) == sess.run(predict_op, feed_dict={X: train_data, Y: train_label})))
numbers = np.arange(1, 101)
test_data = np.transpose(binary_encode(numbers, 14))
test_label = sess.run(predict_op, feed_dict={X: test_data})
output = np.vectorize(predict2word)(numbers, test_label)
print(output)
if __name__=='__main__':
train_model()
使用两层全连接网络玩了一下，准确率还可以：
结果如下：
['1' '2' 'fizz' 'fizz' 'buzz' 'fizz' '7' '8' 'fizz' 'buzz' '11' 'fizz' '13'
'14' 'fizzbuzz' '16' '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' '49' 'buzz' 'fizz' '52' '53' 'fizz' 'buzz' '56' 'fizz' '58' '59'
'fizzbuzz' '61' '62' 'fizz' '64' 'buzz' 'fizz' '67' '68' 'fizz' 'buzz'
'71' 'fizz' 'fizz' '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']