在Keras中，可以通过使用不同的参数来构建多类别分类模型。如果模型不学习，可能是由于以下原因：

1. 数据集问题：确保数据集标签的正确性，并且标签是正确编码的。例如，如果有5个类别，标签应该是从0到4而不是从1到5。

2. 激活函数问题：对于多类别分类问题，最后一层的激活函数通常应该选择softmax激活函数。确保模型最后一层的激活函数设置正确。

3. 模型结构问题：确保模型结构正确，并且适合解决多类别分类问题。例如，模型的最后一层应该具有与类别数量相同的神经元。

下面是一个示例代码，展示了如何构建一个多类别分类模型，并使用不同的参数来解决模型不学习的问题：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense

# 创建一个虚拟的多类别分类数据集
X = np.random.rand(100, 10)  # 输入特征矩阵
y = np.random.randint(0, 5, size=(100,))  # 随机生成类别标签

# 将类别标签进行one-hot编码
num_classes = 5
y_onehot = np.eye(num_classes)[y]

# 构建多类别分类模型
model = Sequential()
model.add(Dense(32, input_dim=10, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(X, y_onehot, epochs=10, batch_size=32)

在这个示例中，我们首先创建了一个虚拟的多类别分类数据集，然后使用Keras构建一个简单的多类别分类模型。模型的输入特征矩阵有10个特征，输出类别有5个。模型的最后一层使用了softmax激活函数，并且使用交叉熵损失函数进行优化。

然后，我们使用编译的模型来训练数据。在训练过程中，模型将尝试以最小化损失函数的方式学习数据的模式。

如果模型不学习，可以尝试调整模型的超参数（如学习率、批量大小等），或者尝试更复杂的模型结构。此外，还可以尝试增加训练数据的数量，或者使用数据增强技术来增加训练数据的多样性。