非线性多输出数据集的深度学习和回归

Question

我有一个算法，它有 7 个输入和 1 个 output 并且包括非线性数学函数。 我正在尝试反向运行此算法，用户将输入所需的 output，该程序显示提供此所需 output 的输入。 所以我们需要 1 个输入和 7 个输出。 我用 tensorflow 和 keras 创建了一个深度学习 model。 我还用我的主要算法创建了一个数据集（嵌套了带有边界值的循环），它有 830 万行数据。 代码如下。 我的问题是，我尝试了 10、20、50 个 epoch，添加了更多层，更改了层激活设置，但 model 精度没有增加，它始终接近 0.62。 您对提高准确性有什么想法吗？ 谢谢。

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=0)
model=tf.keras.models.Sequential([tf.keras.layers.Dense(512, activation='relu'),
tf.keras.layers.Dense(256, activation='relu'), 
tf.keras.layers.Dense(7, activation='relu')]) #this is my last layer, 7 output
opt = tf.keras.optimizers.SGD(learning_rate=0.01)
model.compile(optimizer=opt, loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=10)