在Python中，如何在定义神经网络时指定其可训练参数？

在Python中，特别是在深度学习框架如TensorFlow或PyTorch中，当你定义神经网络模型时，通常会使用可训练的变量（trainable variables）。以下是两个常见框架的例子：

1. TensorFlow: 使用tf.Variable()函数创建权重和偏置，并通过设置 trainable=True标志使其成为可训练的。例如：

import tensorflow as tf

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(units=64, activation='relu', input_shape=(input_dim,), trainable=True))

这里，`Dense`层的权重和偏置默认就是可训练的。

2. PyTorch: 在PyTorch的nn.Module子类中，你可以直接定义 nn.Parameter 对象，它们会在自动求导中跟踪并被视为可训练的。例如：

import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(input_dim, 64)  # weight和bias默认是可训练的
        self.fc1.weight = nn.Parameter(torch.randn(64, input_dim))  # 如果你想明确指定参数，可以这样做

net = Net()

在每个例子中，如果你想要控制哪些参数可训练，可以在构建模型时或之后通过`.requires_grad_(True)`或`.detach().requires_grad_(True)`设置。