问如何使用我的keras TensorFlow模型减少损失？

EN

所以我有一个大约140,000个样本的数据集，有5个输入，汽车的速度，汽车的加速度，用雷达收集的领先汽车的速度，领先汽车的距离和领先汽车的加速度。输出范围为0到1，0表示最大制动，1表示最大加速度。

我是神经网络的初学者，所以我在优化我的模型以获得此数据的最佳精度/损失时遇到了困难。我一直在尝试改变优化器，激活函数，隐藏层的数量，层中的节点数量，等等，但随着时间的推移，似乎没有什么能降低损失。

这是我目前的模型：

opt = keras.optimizers.Adam(lr=0.001, decay=1e-6)
model = Sequential()
model.add(Dense(5, activation="tanh", input_shape=(x_train.shape[1:])))
for i in range(40):
    model.add(Dense(60, activation="relu"))
model.add(Dense(1))

我现在并不太担心过度拟合我的数据，因为我可以在以后的工作中工作，我只是试图基本上记住数据，看看我可以得到多低的损失，只是看看我是否可以改善它。并对经过训练的数据进行预测，以确保它可以返回正确的输出。然而，我得到的验证损失最低的是0.015，它在我的测试中肯定不会返回当前的输出，它大约有90%的准确率。

我有什么地方做错了吗？我应该增加模型大小，还是减小模型大小？我尝试过的似乎都不起作用。我还确保独立地标准化我的5个输入和1个输出。在几个时代之后，它似乎永远不会学到任何东西。

如果有人决定在这个非常具体的问题上帮助我，谢谢。