在此tensorflow lstm模型上无法降低损失

可能是由于以下几个原因：

1. 数据集问题：首先，需要检查数据集是否具有足够的多样性和数量。如果数据集过小或者样本不平衡，可能会导致模型无法充分学习和泛化。可以尝试增加数据集的规模或者进行数据增强等预处理操作。
2. 模型架构问题：其次，需要检查模型的架构是否合适。LSTM模型的层数、隐藏单元的数量等超参数的选择可能会影响模型的性能。可以尝试调整这些超参数，增加模型的复杂度或者减少模型的复杂度，以找到更好的平衡点。
3. 学习率问题：学习率是控制模型参数更新步长的重要超参数。如果学习率设置过大，可能会导致模型无法收敛；如果学习率设置过小，可能会导致模型收敛速度过慢。可以尝试调整学习率的大小，观察损失函数的变化情况。
4. 正则化和优化器问题：正则化技术（如L1、L2正则化）和优化器的选择也会对模型的性能产生影响。可以尝试添加正则化项或者尝试不同的优化器（如Adam、SGD等），以提升模型的泛化能力和收敛速度。
5. 训练时长问题：最后，需要考虑模型的训练时长是否足够。有时候，模型可能需要更多的训练迭代次数才能达到较低的损失值。可以尝试增加训练的迭代次数或者使用早停策略，以找到更好的模型状态。

总结起来，要降低在此tensorflow lstm模型上的损失，可以从数据集、模型架构、学习率、正则化和优化器、训练时长等方面进行调整和优化。具体的调整方法需要根据具体情况进行尝试和调整。