我正在尝试编写一个RNN模型来学习2。基本上，如果我有一个标量值函数f（x，y，z），其中x是集合S1的某个元素，y是集合S2的某个元素，z是集合S3的某个元素，而我的RNN将依次生成查询以尝试优化f。
我想训练一个可以执行这些类型的离散黑箱优化的RNN，例如，我可以将先前的输入x_ {t}表示为大小| S1 |，...和依此类推，可能会有权重矩阵W1，W2，W3将这3种编码投影到相同的维d中，并将这3种d维编码作为输入一个接一个地传递到RNN，然后RNN会一一输出（然后解码）为下一个时间步的可能查询（x_ {t + 1}，y_ {t + 1}，z_ {t + 1}）。
这样做的好处是，我可以将基本RNN单元重用于另一个函数，该另一个函数可能具有完全不同的输入域，例如g（a，b，c，d），因为我可以进行循环RNN现在是3次，而不是3次。RNN只能代表某种“通用算法，而不考虑输入大小”。但是，这意味着我还必须制作4个新的权重矩阵，才能将新变量投影到维d中。
有没有办法使它更好？例如我不需要为每个问题更改或制作新的Tensorflow权重的某种配置？