据说国外面试会经常问一个fizzbuzz问题，来看看面试的人到底有没有写过代码：

大致的意思如下：

for each number 1 to 100:
    if number % 15 == 0:
        print(number, "fizzbuzz")
    else if number % 5 == 0:
        print(number, "buzz")
    else if number % 3 == 0:
        print(number, "fizz")
    else:
        print(number)

就是从1到100，遇到被3整除打印fizz,遇到5整除打印buzz，遇到同时被3和5整除打印fizzbuzz.

如果使用深度学习的思路来写这个程序又是怎样的呢？

from keras.models import Sequential
import numpy as np
from keras.layers import Dense
def binary_encode(i, num_digits):
    return np.array([i >> d & 1 for d in range(num_digits)])
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])
NUM_TRAIN = 10
x_train = np.array([binary_encode(i, NUM_TRAIN) for i in range(101, 2 ** NUM_TRAIN)])
y_train = np.array([fizz_buzz_encode(i)          for i in range(101, 2 ** NUM_TRAIN)])

x_test = np.array([binary_encode(i, NUM_TRAIN) for i in range(0, 100)])
y_test = np.array([fizz_buzz_encode(i)          for i in range(0, 100)])

model = Sequential()
model.add(Dense(units=1000, activation=relu, input_dim=10))
model.add(Dense(units=4, activation=softmax))
model.compile(loss=categorical_crossentropy,
              optimizer=adam,
              metrics=[accuracy])
model.fit(x_train, y_train, epochs=100, batch_size=32)
loss_and_metrics = model.evaluate(x_train, y_train, batch_size=128)
print(loss_and_metrics[1])
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)
print(loss_and_metrics[1])

先要制造一些样本数据，再建造一个简单的神经网络，然后训练100轮，最后可以发现，可以达到100%的准确率。

这个例子展示了深度学习程序编写思路与传统编程方式有些不同：

1）模型为核心，模型其实就是一个函数，可以是一个简单的线性函数，也可以是由很多非线性函数级联在一起的神经网络。

2）模型输入是向量，输出也是向量。

3）要有样本，而且是向量格式的样本。