FizzBuzz（二）

FizzBuzz

FizzBuzz是一个非常简单的小游戏。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,其他情况则正常数数。

我们可以写一个简单的小程序来解决要返回正常数值还是fizz,buzz或者fizzbuzz。
 

# One-hot encode the desired outputs: [number, "fizz", "buzz", "fizzbuzz"]
def fizz_buzz_encode(i):
    if   i % 15 == 0: return 3
    elif i % 5  == 0: return 2
    elif i % 3  == 0: return 1
    else:             return 0
    
def fizz_buzz_decode(i, prediction):
    
    #[str(i), "fizz", "buzz", "fizzbuzz"]为一个列表，里面有4个元素，对应为四类，可用索引来访问
    return [str(i), "fizz", "buzz", "fizzbuzz"][prediction]
 
for i in range(1,16):
    print(fizz_buzz_decode(i, fizz_buzz_encode(i)))

定义模型的输入与输出(训练数据)

import numpy as np
import torch
 
NUM_DIGITS = 10
 
# Represent each input by an array of its binary digits.
def binary_encode(i, num_digits):
    return np.array([i >> d & 1 for d in range(num_digits)])
trX = torch.Tensor([binary_encode(i, NUM_DIGITS) for i in range(101, 2 ** NUM_DIGITS)])
trY = torch.LongTensor([fizz_buzz_encode(i) for i in range(101, 2 ** NUM_DIGITS)])

用pyTorch定义模型

# Define the model
NUM_HIDDEN = 100
model = torch.nn.Sequential(
    torch.nn.Linear(NUM_DIGITS, NUM_HIDDEN),
    torch.nn.ReLU(),
    torch.nn.Linear(NUM_HIDDEN, 4)
)

 定义损失函数和优化器

loss_fn = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr = 0.05)

 模型训练代码

# Start training it
BATCH_SIZE = 128
for epoch in range(10000):
    for start in range(0, len(trX), BATCH_SIZE):
        end = start + BATCH_SIZE
        batchX = trX[start:end]
        batchY = trY[start:end]
 
        #predict
        y_pred = model(batchX) #forward pass
        loss = loss_fn(y_pred, batchY)
 
        #optimizer,3 steps
        optimizer.zero_grad()  #clear grad
        loss.backward()  #backward pass
        optimizer.step()  #gradient descent
 
    # Find loss on training data
    loss = loss_fn(model(trX), trY).item()
    print('Epoch:', epoch, 'Loss:', loss)

 用cpu跑的损失函数值还行，一般

• 为了让我们学会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游戏本子上是一个分类问题，我们选用Cross Entropyy Loss函数。
• 优化函数我们选用Stochastic Gradient Descent

用训练好的模型尝试在1到100这些数字上玩FizzBuzz游戏

# Output now
testX = torch.Tensor([binary_encode(i, NUM_DIGITS) for i in range(1, 101)])
with torch.no_grad():
    testY = model(testX)
predictions = zip(range(1, 101), list(testY.max(1)[1].data.tolist()))
 
print([fizz_buzz_decode(i, x) for (i, x) in predictions])

tips:with torch.no_grad(),测试时每个tensor都带有grad,为了优化参数，测试时不需要grad；否则徒占memory,还易爆。 

1到10个错3个，11到20全对…… 

参考https://blog.csdn.net/u013075024/article/details/104365933