问题：
目前时序分类准确率是40%，哪怕混入测试集，也只能达到55%，并且还是layer24,全参数的情况下，另外这个模型也在别的类似的任务和数据上测过没问题，那是为什么呢？
分析方法：
于是本人开始对这个进行实验对比，发现使用在别的数据上奏效的模型，结果换个类似数据集，结果使用小参数和全参数效果都不好，那是为什么呢？
仔细分析，考虑到是数据集的问题，然后将数据集中的5维数据换成了具有代表性的2维，其他三维直接抛弃，这时候发现准确率有了质的提升，直接在极小参数下，10个epoch之内三个验证集的准确率就达到了0.98，测试集准确率提升到了85%，这时候才发现了问题所在：也就是数据的问题，只应该使用含有噪声的5维数据，而是应该使用具有明显特征区分性的某1维或者2维，没有了其他几维的噪声之后，准确率立马接近100%。
中间也发现数据量特别少，但是经过复制补充数据量后，准确率也没有提升，这时候就判断出跟数据数量是没有问题的。于是就不用再数据增强了。
经过上面处理，在最终测试集上，准确率提升到了85%，后面我是如何提升到100%的呢？
后面我又尝试由之前的1维，再添加一维也有明显特征的数据用于训练，然后将准确率提升到了90%。
然后我是通过打印测试集中pred和true的标签，发现模型将标签15弄混淆成了16，我看了一下，在训练集和测试集中，**这两个标签的数据有问题，人工都无法判别，这才是导致错分的原因。**通过修补这两个类别的数据，将准确率提升到了100%。
这里还有一个思路：后处理方法，如果是15和16混淆，这时候可以设置规则，如果规则匹配到的16标签的超过判定为15的数量，就判定为16，否则判定为15。
也就是说在该任务上，准确率跟数据量无关，还是跟数据质量和数据处理方法及使用方法有关，跟用高质量还是低质量的数据有关，用了5维数据准确率最高是0.55，用了1维具有区分性的数据，准确率就能达到85%，用了两维具有区分性的数据，准确率就达到90%。再分析并修复最后错误的10%数据，准确率就达到了100%！！！
总结：
对数据的处理和使用特别重要，这个是影响准确率的绝对因素： 包括原始数据的质量，数据的处理方法，数据在代码中的使用，数据多个维度的重要性排名（这里推荐根据经验选择区分性强的维度，去除没有区分性的维度，否则准确率会一直上不去）
如果训练时发现准确率上不去，在模型没问题的情况下，首先要仔细检查一下数据是否有问题，人是否能否区分数据，如果人就无法区分，那么交给数据就肯定也不行，这时候就要提升数据质量了。