本文情境參考：http://joelgrus.com/2016/05/23/fizz-buzz-in-tensorflow/

我特別找到了這個範例（？）來說服大家，為什麼我們的智慧音箱課程不實作語音或者文字類的機器學習。

這個故事大致上是這樣的：fizzbuzz是一個歐美國家的小遊戲，大家輪流數數字，當遇到3的倍數時則將數字改為念出fizz，遇到5的倍數時則改念buzz，遇到15的倍數時念fizzbuzz。這個遊戲在台灣我記得也有另外一個版本，但大致上就是這樣。

後來他變成一個程式設計的練習題，用來熟悉for、if以及數學運算，其要求的輸出如下：

[‘1’, ‘2’, ‘fizz’, ‘4’, ‘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’, ’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’]

於是乎，有些公司也會拿來當成程式設計的面試題目，來檢查考生對程式語言的基本功及理解。才有了底下這個（不知道是不是真的）的故事：

某個工程師……我們暫且稱呼他A君，到某家有名的科技公司應徵軟體工程師，而面試官就恰恰好考了這個問題。A君覺得有名科技公司還考這種題目簡直瞧不起人，於是用了機器學習繞了一大圈，揮舞了一整套路的牛刀砍死了一隻雞。

在開始接下來的「故事」之前，身為一個好的python使用者，先引用好我們等等會碰到的東西：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense

首先，我們知道機器學習－－這種狀況應是分類問題，需要三個重點：特徵、分類對象、類別

對數字來說特徵可以定義成他的二進制表示－－這省去了我們標準化的動作，且可以輕鬆的轉換出來。由於要求是1~100的fizzbuzz，我們就使用101到……4095作為訓練資料吧，剛好是12碼的二進碼：

#定義編碼長度
NUM_DIGITS = 12

首先我們寫一個函式來轉換二進制。這邊的二進碼必須一碼當一項特徵資料，以利我們後續直接送進神經網路：

#轉成二進制數字
def binary_encode(i, num_digits):
       return np.array([i >> d & 1 for d in range(num_digits)])

接著我們知道，分類對象就是1~4095這些數字，於是我們剩下定義類別。類別可以看出是四類：fizz、bizz、fizzbuzz以及以上皆非。四類問題我們直接使用onehot編碼，可以直接對應到神經網路的輸出層。

接著來準備一下訓練資料，訓練資料為101~4095的數字：

#訓練資料，生成12碼二進制數字（101~4095）
train_data = np.array([binary_encode(i, NUM_DIGITS) for i in range(101, 2 ** NUM_DIGITS)])

有了資料，接著要為訓練資料標上標籤給機器學習，我們先定義一個拿到標籤的函式：

#把輸出變成一次只激活一個細胞的標籤
def fizz_buzz_encode(i):
      if i % 15 == 0: return np.array([0, 0, 0, 1])
      elif i % 5 == 0: return np.array([0, 0, 1, 0])
      elif i % 3 == 0: return np.array([0, 1, 0, 0])
      else: return np.array([1, 0, 0, 0])

呼叫他，建立訓練資料標籤的陣列：

#資料標籤
train_ans = np.array([fizz_buzz_encode(i) for i in range(101, 2 ** NUM_DIGITS)])

接著就來建我們的神經網路啦，因為我們比較菜，所以使用keras來一層一層建：

#快樂的建立神經層吧
model = Sequential()

#輸入層，一顆對應一個編碼
model.add(Dense(NUM_DIGITS,input_shape =(NUM_DIGITS,)))

#隱藏層
model.add(Dense(200, activation=’relu’))

#輸出層，因為輸出是4類所以塞4顆，如果想製造自己的麻煩也可以用3顆去表達4種狀態……
model.add(Dense(4, activation=’relu’))

#看看我們的簡單網路堆疊成什麼樣子
model.summary()

#指定損失函數
model.compile(loss=’mean_squared_error’, optimizer=’adam’, metrics=[‘accuracy’])

很快樂的建立完了，詳細的參數請看內部註解。接著就是訓練啦：

#訓練的時間到了
train_history = model.fit(x=train_data,y=train_ans, validation_split=0.2,epochs=200, batch_size=50, verbose=2)

好了，到這裡我們有了一個不錯的神經網路以及訓練完的模型，最後就是丟真實資料1~100給它分類看看，記得要把輸出改回fizzbuzz：

#轉回fizzbuzz輸出
label = {0:’none’,1:’fizz’,2:’buzz’,3:’fizzbuzz’}
prediction = model.predict_classes(np.array([binary_encode(i, NUM_DIGITS) for i in range(1,101)]))
index = 1
for i in prediction:
      print(index,label[i])
      index += 1

正確率實行結果大概9成9，算是相當了不起的正確率，到這裡我們相信我們有了一個好方法來解決這個問題……才怪= =

我們仔細回想一下，我們前面在生訓練資料時拿標籤的方法：

def fizz_buzz_encode(i):
      if i % 15 == 0: return np.array([0, 0, 0, 1])
      elif i % 5 == 0: return np.array([0, 0, 1, 0])
      elif i % 3 == 0: return np.array([0, 1, 0, 0])
      else: return np.array([1, 0, 0, 0])

……直接把這邊丟1~100輸出不就好了嗎

所以說，很多其實一眼可以看穿規則的東西，丟給機器學習，真的沒有必要－－比方說我們研習教學的文字分析系統。

順便一提面試的正解應該是以下這樣：

print([‘fizzbuzz’ if i%15==0 else ‘buzz’ if i%5 == 0 else ‘fizz’ if i%3 == 0 else str(i) for i in range(1,101)])

對，一行（O）