概述
FizzBuzz
FizzBuzz是一个简单的小游戏。游戏规则如下：从1开始往上数数，当遇到3的倍数的时候，说fizz，当遇到5的倍数，说buzz，当遇到15的倍数，就说fizzbuzz，其他情况下则正常数数。
我们可以写一个简单的小程序来决定要返回正常数值还是fizz, buzz 或者 fizzbuzz。
简单的小程序：
#将数字划分类别：(num:说出的数字)
def fizz_buzz_encoding(num):
if num % 15 == 0:
return 3
elif num % 5 == 0:
return 2
elif num % 3 == 0:
return 1
else:
return 0
#类别对应具体的输出：（classes:类别）
def fizz_buzz_decoding(num, classes):
return [str(num), 'fizz', 'buzz', 'fizzbuzz'][classes]
result = []
for i in range(1, 101):
result.append(fizz_buzz_decoding(i, fizz_buzz_encoding(i)))
print(result)
>>> ['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']
下面写一个神经网络，让它学会自己玩这个游戏：
1、定义模型的输入与输出：
如果直接输入1，2，3。。。，模型训练困难；需要将数字转化成二进制来输入
注：
- 使用其它进制转二进制： int(‘num’, 2), int(‘num’, 8), 例如 int(‘1024’, 2)表示将二进制的1011转化为十进制
- 使用十进制转二进制： bin(num)
- 使用十进制转八进制：oct(num)
- 使用十进制转十六进制： hex(num)
#这里，自己来写一个进制函数，便于输入到神经网络：
import torch
import numpy as np
NUM_DIGITS = 10 #输入数字（转为二进制后，不够的位数前面补0）个数
def binary_encode(num, NUM_DIGITS):
return np.array([num >> d & 1 for d in range(NUM_DIGITS)])[::-1] #>>为移位符，num >> d & 1表示num的二进制向右移动d位，然后与1的二进制比较，相同的为1，不同的为0，最后转为十进制数字
device = torch.device('cuda'if torch.cuda.is_available() else 'cpu')
trX = torch.tensor([binary_encode(i, NUM_DIGITS) for i in range(101, 2**NUM_DIGITS)]).float().to(device) #训练集：101~2^10-1
trY = torch.tensor([fizz_buzz_encoding(i) for i in range(101, 2**NUM_DIGITS)]).long().to(device) #标签，用LabelEncoding
trX.shape, trY.shape
>>>(torch.Size([923, 10]), torch.Size([923]))
trX[:5], trY[:5]
>>> (tensor([[0., 0., 0., 1., 1., 0., 0., 1., 0., 1.],
[0., 0., 0., 1., 1., 0., 0., 1., 1., 0.],
[0., 0., 0., 1., 1., 0., 0., 1., 1., 1.],
[0., 0., 0., 1., 1., 0., 1., 0., 0., 0.],
[0., 0., 0., 1., 1., 0., 1., 0., 0., 1.]], device='cuda:0'),
tensor([0, 1, 0, 0, 3], device='cuda:0'))
2、定义及训练模型：
- 为了让我们的模型学会FizzBuzz这个游戏，我们需要定义一个损失函数，和一个优化算法。
- 这个优化算法会不断优化（降低）损失函数，使得模型的在该任务上取得尽可能低的损失值。
- 损失值低往往表示我们的模型表现好，损失值高表示我们的模型表现差。
- 由于FizzBuzz游戏本质上是一个分类问题，我们选用Cross Entropyy Loss函数。
- 优化函数我们选用Stochastic Gradient Descent。
import torch.nn as nn
HIDDEN = 100
learning_rate = 0.05
BATCH_SIZE = 128
model = nn.Sequential(
nn.Linear(NUM_DIGITS, HIDDEN),
nn.ReLU(),
nn.Linear(HIDDEN, 4)
).to(device)
nn.init.normal_(model[0].weight) #初始化参数
#nn.init.normal_(model[0].bias)
nn.init.normal_(model[2].weight)
#nn.init.normal_(model[2].bias)
loss_fn = nn.CrossEntropyLoss() #损失函数为交叉熵
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate) #选用随机梯度下降
for epoch in range(10000):
for start in range(0, len(trX), BATCH_SIZE): #这里因为使用了BATCH_SIZE，多出一个内循环
end = start + BATCH_SIZE
batchX = trX[start:end]
batchY = trY[start:end]
#forward pass
y_pred = model(batchX)
loss = loss_fn(y_pred, batchY)
#backward pass
optimizer.zero_grad() #梯度清零
loss.backward() #反向传播
optimizer.step() #参数更新
loss_epoch = loss_fn(model(trX), trY).item()
print('epoch:',epoch, 'loss:', loss_epoch)
>>> epoch: 0 loss: 7.251105308532715
epoch: 1 loss: 6.035614967346191
epoch: 2 loss: 5.345699787139893
epoch: 3 loss: 5.131191730499268
epoch: 4 loss: 4.703280448913574
epoch: 5 loss: 4.4611406326293945
epoch: 6 loss: 4.351914405822754
epoch: 7 loss: 4.086514472961426
epoch: 8 loss: 3.830378293991089
epoch: 9 loss: 3.534430503845215
epoch: 10 loss: 3.27980637550354
...
epoch: 9991 loss: 0.006885749753564596
epoch: 9992 loss: 0.006884231697767973
epoch: 9993 loss: 0.006883607245981693
epoch: 9994 loss: 0.006882120855152607
epoch: 9995 loss: 0.006881153676658869
epoch: 9996 loss: 0.006880468223243952
epoch: 9997 loss: 0.006879052147269249
epoch: 9998 loss: 0.00687815435230732
epoch: 9999 loss: 0.006877521518617868
用训练好的模型玩fizzbuzz
testX = torch.tensor([binary_encode(i, NUM_DIGITS) for i in range(1, 101)]).float().to(device)
with torch.no_grad():
testY = model(testX)
prediction = zip(range(1, 101), testY.max(1)[1].tolist())
nn_result = []
for (num, classes) in prediction:
nn_result.append(fizz_buzz_decoding(num, classes))
nn_result
>>> ['1',
'2',
'fizz',
'fizz',
'buzz',
'fizz',
'7',
'8',
'fizz',
'buzz',
'11',
'fizz',
'13',
'14',
'fizz',
'16',
'17',
'fizz',
'19',
'buzz',
'fizz',
'22',
'23',
'fizz',
'25',
'26',
'fizz',
'28',
'29',
'fizzbuzz',
'31',
'buzz',
'buzz',
'buzz',
'buzz',
'fizz',
'37',
'38',
'fizz',
'40',
'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',
'fizz',
'69',
'buzz',
'71',
'fizz',
'73',
'74',
'fizzbuzz',
'76',
'77',
'fizz',
'79',
'buzz',
'81',
'82',
'83',
'fizz',
'buzz',
'86',
'fizz',
'88',
'89',
'fizzbuzz',
'91',
'92',
'93',
'94',
'buzz',
'fizz',
'97',
'fizz',
'fizz',
'buzz']
correct = 0
for i in range(len(result)):
if nn_result[i] == result[i]:
correct += 1
accracy = correct/len(result)
accracy
>>> 0.88
后记
emmmmm…效果不算太好，可能模型太过于简单了。等学完后面的，再回来改改。
最后
以上就是陶醉咖啡豆为你收集整理的深度学习学习笔记（三）练习1FizzBuzz的全部内容，希望文章能够帮你解决深度学习学习笔记（三）练习1FizzBuzz所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复