Python Tensorflow LSTM模型内参数学习

我试图在tensorflow中训练我的LSTM模型，我的模块必须计算参数内部的参数。我想同时训练这两个参数。 更多细节见下图

我认为tensorflow LSTM模块的输入必须是一个完美的序列和参数，如“tf.placeholder”。 如何在tensorflow中执行此操作？或者你能推荐另一个比tensorflow更好的框架来完成这个任务吗

对不起，我的英语很差。

---

首先，您对单词参数的使用非常混乱。通常情况下，参数被称为可训练参数，因此由优化器训练的每个变量。还有所谓的超参数，必须按手设置，如模型拓扑

Tensorflow使用张量，张量表示用于构建工作流的数据，并在运行时通过占位符填充数据，占位符类似于数据的入口点

此外，如果您在tensorflow中构建模型时遇到困难，那么还有一个问题。Keras可以使用tensorflow作为后端运行，但模型构建要容易得多。此外，keras在tensorflow API中也作为tf.keras提供。在keras中，一个或多个LSTM被简化为可以添加到模型中的图层

---

如果您想对您的问题给出更具体的答案，请提供代码来描述您的问题。

正如您所评论的，我希望在运行时有条件地更新另一个参数。我在这里尽可能详细地说明了我的问题，希望你能理解我糟糕的描述。谢谢。如果我理解正确，您希望在图形中使用If语句。我怀疑这是可能的，因为每个运算都需要可导。您可以每次更新第二个参数，并根据分类输出为更新赋予接近0/1的权重。