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。

: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。

:It’s the only way I code!

面试官:….

:那只是个笑话。

面试官:好吧,你是否熟悉”fizz buzz”。

:….

面试官:你到底知不知道”fizz buzz”?

: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。

: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。

:….

面试官:这是板擦和马克笔。

:[想了几分钟]

面试官:需不需要帮忙。

:不,不用。首先先容我导入一些标准库:

import numpy as np
import tensorflow as tf

面试官:你知道我们的问题是”fizz buzz”吧?

: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?

: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?

:你懂的,就是一堆0和1,像这样:

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]

:输出应该用one-hot编码表示”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])

面试官:等一等,够了!

: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:

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:….

: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:….

:100也许要好点,以后还可以再改:

NUM_HIDDEN = 100

定义输入和输出:

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

面试官:你到底要搞哪样。

: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:

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:

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。

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:….

:当然,最后还要取概率最大的预测做为结果:

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”。

:哦,没错,现在predict_op输出的值是0-3,还要转换为”fizz buzz”输出:

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

面试官:….

:现在我们可以训练模型了,首先创建一个session并初始化变量:

with tf.Session() as sess:
    tf.global_variables_initializer().run()

就训练1000个大周天吧。

面试官:….

: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:

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?

BATCH_SIZE = 128

训练:

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:

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?

:是,看准确率提升曲线非常有帮助。

面试官:….

: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:

numbers = np.arange(1, 101)
    teX = np.transpose(binary_encode(numbers, NUM_DIGITS))

预测fizz buzz,大功告成:

teY = sess.run(predict_op, feed_dict={X: teX})
    output = np.vectorize(fizz_buzz)(numbers, teY)

    print(output)

面试官:….

:这就是你要的”fizz buzz”。

面试官:够了,我们会在联系你。

: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!!

['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。