哪些损失函数和优化器可用于函数逼近？

Question

我正在使用神经网络构建一个函数逼近器，该函数可以基于辐射流体动力学来计算电磁波在大气中的传播。输入是相对于高度的一组物理参数列，例如温度，压力等。输出是一条线的频谱。该体系结构看起来像自动编码器。我的问题是我应该在Keras中选择哪个损失和优化程序作为起点？为什么呢？

y0  = Input(shape=(112,))
y1  = Dense(100, activation='relu',name='y1')(y0)
y2  = Dense(20, activation='relu',name='y2')(y1)
y3  = Dense(100, activation='relu',name='y3')(y2)
y4  = Dense(251, activation='sigmoid',name='y4')(y3)

merged = Model(inputs=y0,outputs=y4)

merged.compile(optimizer='adam', loss='mean_squared_error',
              metrics=['accuracy'])

我从“ MSE”作为损失（因为这是一个回归问题）开始，以“ adam”作为优化程序开始。但是我的准确性没有超过0.52。在训练之前，我已经对数据进行了归一化，并且也尝试使用其他batch_size。目前，我的训练样本为200,000，并将纪元设置为100。