- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我正在尝试近似臭名昭著的 FizzBuzz 函数:
def fizzbuzz(start, end):
a = list()
for i in range(start, end + 1):
a.append(fb(i))
return a
def fb(i):
if i % 3 == 0 and i % 5 == 0:
return "FizzBuzz"
elif i % 3 == 0:
return "Fizz"
elif i % 5 == 0:
return "Buzz"
else:
return i
问题是,在训练之后,对于 1 到 100 之间的所有值,我只得到数字作为输出:
[ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
91 92 93 94 95 96 97 98 99 100]
正确的输出应该是:
['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']
我的神经网络将每个数字分为四类之一:
0. "Fizz"
1. "Buzz"
2. "FizzBuzz"
3. None of the above
我认为我的神经网络正在学习将每个数字归类到最常被标记为正确类别的类别(即#3:以上都不是),我不知道如何解决这个问题。
我将 X(输入)值编码为 16 位二进制:
def binary_encode_16b_array(a):
encoded_a = list()
for elem in a:
encoded_a.append(binary_encode_16b(elem))
return np.array(encoded_a)
def binary_encode_16b(val):
bin_arr = list()
bin_str = format(val, '016b')
for bit in bin_str:
bin_arr.append(bit)
return np.array(bin_arr)
并将 Y(输出)值编码为单热向量:
def one_hot_encode_array(a):
encoded_a = list()
for elem in a:
encoded_a.append(one_hot_encode(elem))
return np.array(encoded_a)
def one_hot_encode(val):
if val == 'Fizz':
return np.array([1, 0, 0, 0])
elif val == 'Buzz':
return np.array([0, 1, 0, 0])
elif val == 'FizzBuzz':
return np.array([0, 0, 1, 0])
else:
return np.array([0, 0, 0, 1])
这会将 16 位二进制输入数据归类为 FizzBuzz 规则指定的 4 个可能类别之一。
例如,如果返回 [ 0.03 -0.4 -0.4 0.4]
,则程序知道不打印任何“Fizz”、“Buzz”或“FizzBuzz”:
# decoding values of Y
def one_hot_decode_array(x, y):
decoded_a = list()
for index, elem in enumerate(y):
decoded_a.append(one_hot_decode(x[index], elem))
return np.array(decoded_a)
def one_hot_decode(x, val):
index = np.argmax(val)
if index == 0:
return 'Fizz'
elif index == 1:
return 'Buzz'
elif index == 2:
return 'FizzBuzz'
elif index == 3:
return x
这就是我划分训练和测试数据的方式:
# train with data that will not be tested
test_x_start = 1
test_x_end = 100
train_x_start = 101
train_x_end = 10000
test_x_raw = np.arange(test_x_start, test_x_end + 1)
test_x = binary_encode_16b_array(test_x_raw).reshape([-1, 16])
test_y_raw = fizzbuzz(test_x_start, test_x_end)
test_y = one_hot_encode_array(test_y_raw)
train_x_raw = np.arange(train_x_start, train_x_end + 1)
train_x = binary_encode_16b_array(train_x_raw).reshape([-1, 16])
train_y_raw = fizzbuzz(train_x_start, train_x_end)
train_y = one_hot_encode_array(train_y_raw)
因此模型使用 101 到 10000 之间的值进行训练,并使用 1 到 100 之间的值进行测试。
我的模型架构很简单,一层有 100 个隐藏神经元:
# define params
input_dim = 16
output_dim = 4
h1_dim = 100
# build graph
X = tf.placeholder(tf.float32, [None, input_dim])
Y = tf.placeholder(tf.float32, [None, output_dim])
h1_w = tf.Variable(tf.zeros([input_dim, h1_dim]))
h1_b = tf.Variable(tf.zeros([h1_dim]))
h1_z = tf.nn.relu(tf.matmul(X, h1_w) + h1_b)
fc_w = tf.Variable(tf.zeros([h1_dim, output_dim]))
fc_b = tf.Variable(tf.zeros([output_dim]))
Z = tf.matmul(h1_z, fc_w) + fc_b
# define cost
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=Y, logits=Z))
# define op
train_step = tf.train.AdamOptimizer(0.005).minimize(cross_entropy)
# define accuracy
correct_prediction = tf.equal(tf.argmax(Z, 1), tf.argmax(Y, 1))
correct_prediction = tf.cast(correct_prediction, tf.float32)
accuracy = tf.reduce_mean(correct_prediction)
为了简单起见,我选择省略批量训练:
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(1000):
sess.run(train_step, feed_dict={X: train_x, Y: train_y})
train_accuracy = sess.run(accuracy, feed_dict={X: train_x, Y: train_y})
print(i, ":", train_accuracy)
output = sess.run(Z, feed_dict={X: test_x})
decoded = one_hot_decode_array(test_x_raw, output)
print(decoded)
在训练期间,准确度值未能超过 0.533333
。网络被训练为仅输出每个规则的数字 !(i%3==0 || i%5==0) ? i
,这是 FizzBuzz 函数最常见的答案。
使用下面@Blender 提供的解决方案,我将隐藏层和输出层的初始值设定项更改为均匀随机。增加迭代次数并降低 AdamOptimizer 的学习率,我的模型现在可以在测试数据集上完美运行。我已经上传了工作模型的源代码 in a GitHub repository .
最佳答案
将网络中的所有初始权重设置为相同的值(零)会抵消在一个层中具有多个神经元的任何好处。随机初始化权重是必要的:
h1_w = tf.Variable(tf.random_normal([input_dim, h1_dim], stddev=0.1))
对我而言,准确度仅在大约 200 次迭代后才开始变化,但在 1,000 次迭代后,测试集的准确度为 0.99。我有点惊讶这甚至只适用于一个隐藏层。
关于python - FizzBuzz 神经网络,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48879125/
这与 Payubiz payment gateway sdk 关系不大一体化。但是,主要问题与构建项目有关。 每当我们尝试在模拟器上运行应用程序时。我们得到以下失败: What went wrong:
我有一个现有的应用程序,其中包含在同一主机上运行的 4 个 docker 容器。它们已使用 link 命令链接在一起。 然而,在 docker 升级后,link 行为已被弃用,并且似乎有所改变。我们现
在 Internet 模型中有四层:链路 -> 网络 -> 传输 -> 应用程序。 我真的不知道网络层和传输层之间的区别。当我读到: Transport layer: include congesti
很难说出这里要问什么。这个问题模棱两可、含糊不清、不完整、过于宽泛或夸夸其谈,无法以目前的形式得到合理的回答。如需帮助澄清此问题以便重新打开,visit the help center . 关闭 1
前言: 生活中,我们在上网时,打开一个网页,就可以看到网址,如下: https😕/xhuahua.blog.csdn.net/ 访问网站使用的协议类型:https(基于 http 实现的,只不过在
网络 避免网络问题降低Hadoop和HBase性能的最重要因素可能是所使用的交换硬件,在项目范围的早期做出的决策可能会导致群集大小增加一倍或三倍(或更多)时出现重大问题。 需要考虑的重要事项:
网络 网络峰值 如果您看到定期的网络峰值,您可能需要检查compactionQueues以查看主要压缩是否正在发生。 有关管理压缩的更多信息,请参阅管理压缩部分的内容。 Loopback IP
Pure Data 有一个 loadbang 组件,它按照它说的做:当图形开始运行时发送一个 bang。 NoFlo 的 core/Kick 在其 IN 输入被击中之前不会发送其数据,并且您无法在 n
我有一台 Linux 构建机器,我也安装了 minikube。在 minikube 实例中,我安装了 artifactory,我将使用它来存储各种构建工件 我现在希望能够在我的开发机器上做一些工作(这
我想知道每个视频需要多少种不同的格式才能支持所有主要设备? 在我考虑的主要设备中:安卓手机 + iPhone + iPad . 对具有不同比特率的视频进行编码也是一种好习惯吗? 那里有太多相互矛盾的信
我有一个使用 firebase 的 Flutter Web 应用程序,我有两个 firebase 项目(dev 和 prod)。 我想为这个项目设置 Flavors(只是网络没有移动)。 在移动端,我
我正在读这篇文章Ars article关于密码安全,它提到有一些网站“在传输之前对密码进行哈希处理”? 现在,假设这不使用 SSL 连接 (HTTPS),a.这真的安全吗? b.如果是的话,你会如何在
我试图了解以下之间的关系: eth0在主机上;和 docker0桥;和 eth0每个容器上的接口(interface) 据我了解,Docker: 创建一个 docker0桥接,然后为其分配一个与主机上
我需要编写一个java程序,通过网络将对象发送到客户端程序。问题是一些需要发送的对象是不可序列化的。如何最好地解决这个问题? 最佳答案 发送在客户端重建对象所需的数据。 关于java - 不可序列化对
所以我最近关注了this有关用 Java 制作基本聊天室的教程。它使用多线程,是一个“面向连接”的服务器。我想知道如何使用相同的 Sockets 和 ServerSockets 来发送对象的 3d 位
我想制作一个系统,其中java客户端程序将图像发送到中央服务器。中央服务器保存它们并运行使用这些图像的网站。 我应该如何发送图像以及如何接收它们?我可以使用同一个网络服务器来接收和显示网站吗? 最佳答
我正在尝试设置我的 rails 4 应用程序,以便它发送电子邮件。有谁知道我为什么会得到: Net::SMTPAuthenticationError 534-5.7.9 Application-spe
我正在尝试编写一个简单的客户端-服务器程序,它将客户端计算机连接到服务器计算机。 到目前为止,我的代码在本地主机上运行良好,但是当我将客户端代码中的 IP 地址替换为服务器计算机的本地 IP 地址时,
我需要在服务器上并行启动多个端口,并且所有服务器套接字都应在 socket.accept() 上阻塞。 同一个线程需要启动客户端套接字(许多)来连接到特定的 ServerSocket。 这能实现吗?
我的工作执行了大约 10000 次以下任务: 1) HTTP 请求(1 秒) 2)数据转换(0.3秒) 3)数据库插入(0.7秒) 每次迭代的总时间约为 2 秒,分布如上所述。 我想做多任务处理,但我
我是一名优秀的程序员,十分优秀!