原文地址：http://joelgrus.com/2016/05/23/fizz-buzz-in-tensorflow（作者：Joel Grus）
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：
import numpy as np
import tensorflow as tf
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：
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]
我：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！
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：
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：….
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：
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。
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：
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：….
我：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”。
我：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：….
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：
with tf.Session() as sess:
tf.global_variables_initializer().run()
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：
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？
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：
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：….
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！！
['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。
