super()
позволит вам получить доступ к области родительского класса. Вы можете получить доступ к любому методу из него в форме super().method(args)
в python3, в Python 2 формат - super(YourClass,self).method(args)
.
Вызов __init__
для родителя для каждого метода не представляется правильным с точки зрения ООП. Вы повторно инициализируете родительский объект в течение срока его службы. Если вы хотите установить роль от родителя, вы можете просто использовать self.role = ...
. Любой метод доступа родителей self.role
увидит модификацию.
Нейронные сети являются классификаторами. Они разделяют два класса элементов данных. Они изучают это разделение (обычно) предклассифицированными элементами данных. Таким образом я говорю: Нет, если Вы не делаете главный фрагмент вне поломки.
Это звучит мне как это, проблема больше подходящее для генетических алгоритмов, чем нейронные сети. Нейронные сети имеют тенденцию нуждаться в ограниченной задаче решить, требуя обучения против известных данных, и т.д. - тогда как генетические алгоритмы работают путем нахождения лучше и лучшие приближенные решения проблемы, не требуя обучения.
На самом деле Вы могли использовать NN для нахождения функционального минимума, но он будет работать лучше всего объединенный с генетическими алгоритмами, упомянутыми Erik.
В основном палатка NN для нахождения решений, которые соответствуют функциональному локальному минимуму или максимуму, но при этом довольно точны (для комментария ответа Tetha, указывая, что NN являются классификаторами, которые можно использовать, если сказать это ввод данных, минимальна или не),
в контрастных генетических алгоритмах имеют тенденцию находить более универсальное решение от целого диапазона исходных данных возможным, но затем давать Вам ближайшие результаты.
Решение состоит в том, чтобы объединить эти 2 мира
Они довольно плохи для цели; одна из больших проблем нейронных сетей - то, что они застревают в локальных минимумах. Вы могли бы хотеть изучить методы опорных векторов вместо этого.
Учебный процесс нейронной сети обратной связи работает путем уменьшения ошибки от оптимального результата. Но наличие обученной нейронной сети, находящей минимум неизвестной функции, было бы довольно трудно.
При ограничении проблемы определенным функциональным классом она могла бы работать и довольно быстра также. Нейронные сети способны находить шаблоны, если существует кто-либо.