要找到模型中的已发现参数，可以使用不同的深度学习框架和库进行操作。以下是使用Python和TensorFlow框架的示例代码：

import tensorflow as tf

# 创建一个简单的神经网络模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 加载预训练的模型权重
model.load_weights('path/to/weights.h5')

# 获取模型中的参数
parameters = model.get_weights()

# 打印每个参数的形状和数值
for i, parameter in enumerate(parameters):
    print(f'Parameter {i}:')
    print(f'Shape: {parameter.shape}')
    print(f'Values: {parameter}')

在上述示例中，我们首先创建了一个简单的神经网络模型，并加载了预训练的模型权重。然后，我们使用get_weights()方法来获取模型中的参数，并使用循环遍历每个参数。最后，我们打印出每个参数的形状和数值。

请注意，代码中的'path/to/weights.h5'应替换为实际的模型权重文件路径。此外，具体的代码实现可能因所使用的深度学习框架和库而有所不同。因此，在实际应用中，请根据所使用的特定框架和库的文档进行相应的调整。