我正在使用一个Keras的2D卷积神经网络来解决一个分类问题，但我能达到的最佳准确率大约是30%。我应该做些什么来提高这个模型的精确度准确率？
这是我用来创建模型的代码：
model = Sequential()model.add(Conv2D(128, kernel_size=(3,3), input_shape=x_train.shape[1:]))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Conv2D(128, kernel_size=(3,3)))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Flatten())model.add(Dense(20, activation='softmax'))adam = Adam(lr=3e-4)model.compile(optimizer=adam, loss='categorical_crossentropy', metrics=['accuracy'])x数据包含2480场比赛，每场比赛有20名参赛者，每名参赛者有100个变量，总形状为(2480, 20, 100)。y数据代表每场比赛的获胜者，并且是一热编码的，包含2480场比赛，每场比赛有20个y标签，总形状为(2480, 20)。
这个数据集可以在这里找到这里，并使用以下代码加载到内存中：
import numpy as npx = np.loadtxt("x_data").reshape(2480, 20, 100)y = np.loadtxt("y_data").reshape(2480, 20)所有这些数据都是以纯文本形式存储的浮点变量。x是100 * 20 * 2480个变量，y是20 * 2480个变量。
y中的第一个值看起来像这样：
[1., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]这代表第一号参赛者赢得了比赛。
提前感谢！
回答：
首先，对于数值数据，完全不要使用卷积层。
只需使用3到4个Dense层，并加入适当的正则化层，如BatchNorm和Dropout，就可以得到不错的拟合。另外，由于你的y（目标）是一热编码的，你需要使用softmax。使用默认的Adam学习率，应该就足够了。
分类交叉熵 + Softmax = 多类分类
二元交叉熵 + Sigmoid = 多标签分类
关于100个变量，批次形状应该是(None, 2800, 100)。2800指的是数据点的数量（行），100指的是每个样本的特征数（列），None指的是批次大小。你需要将其重塑为(2800, 100)。
