基于Excel实现多层感知机（MLP）前向传播计算过程详解
一、问题背景
随着人工智能技术的发展，神经网络已经成为机器学习领域最核心的方法之一。其中，多层感知机（MLP，Multi-Layer Perceptron）作为最基础、最经典的前馈神经网络结构，被广泛应用于：
- 图像分类
- 数据预测
- 金融分析
- 医学诊断
- 工业检测
- 智能推荐等领域
MLP本质上是通过多层神经元之间的连接，对输入数据进行非线性映射，从而实现复杂函数拟合能力。
虽然目前主流深度学习框架（如TensorFlow、PyTorch）能够自动完成神经网络训练，但如果仅依赖框架调用，往往难以真正理解神经网络内部的数学机制。因此，本实验采用 Excel 手动实现MLP前向传播过程，通过逐层展开计算公式，深入理解：
- 神经元的计算原理
- 权重与偏置的作用
- 激活函数的意义
- 神经网络的非线性映射能力
- 前向传播机制
该方法具有较强的教学意义和可视化优势，适合神经网络基础学习。
二、多层感知机（MLP）原理
2.1 神经元模型
MLP的基础单元是人工神经元，其结构来源于生物神经元模型。
一个神经元的核心计算过程包括：
1、输入加权求和
2、加入偏置项
3、激活函数非线性变换
数学表达式如下：
其中：
xi：输入特征
wi：权重参数
b：偏置
z：线性输出
随后通过激活函数得到最终输出：a=f(z)
2.2 MLP网络结构
本实验构建一个典型三层结构：
输入层（2个节点）
↓
隐藏层（2个神经元，ReLU）
↓
输出层（1个神经元，Sigmoid）
其特点：输入层负责接收数据，隐藏层负责提取特征，输出层完成预测
相比单层感知机，MLP最大的优势是：具有非线性建模能力。
三、实验模型设计
3.1 输入数据
设输入向量为：X=[x1,x2]
实验中：x1=1.0，x2=2.0
3.2 隐藏层参数
隐藏层包含两个神经元。
权重矩阵：
偏置：b1=0.1,b2=−0.2
3.3 输出层参数
输出层权重：v1=1.0,v2=−1.5
输出偏置：bout=0.2
四、前向传播计算过程
前向传播（Forward Propagation）是指：
输入数据从输入层开始，经过隐藏层逐层计算，最终得到预测结果的过程。
五、隐藏层计算
5.1 第一个隐藏神经元
线性计算：
代入数据：
z1=1.0×0.5+2.0×0.3+0.1=1.2
5.2 第二个隐藏神经元
代入：
z2=1.0×(−0.4)+2.0×0.8−0.2=1.0
六、ReLU激活函数
6.1 激活函数作用
如果神经网络只有线性运算，则无论多少层，本质上仍是线性模型。因此必须引入非线性激活函数。本实验使用ReLU函数：ReLU(x)=max(0,x)
其特点：计算简单，收敛速度快，缓解梯度消失，深度学习中应用最广泛。
6.2 激活结果
a1=max(0,1.2)=1.2
a2=max(0,1.0)=1.0
七、输出层计算
输出层继续进行线性组合：
代入数据：
zout =1.2×1.0+1.0×(−1.5)+0.2=−0.1
八、Sigmoid输出层
8.1 Sigmoid函数
输出层采用Sigmoid函数：
特点：输出范围为0~1，可表示概率，常用于二分类问题
8.2 最终输出
代入：
计算结果：y≈0.475
说明：模型认为该样本属于正类的概率约为47.5%。
九、MLP的优缺点分析
9.1 优点
（1）结构简单，容易理解与实现。
（2）适用范围广，适用于分类、回归等任务。
（3）具有非线性拟合能力，能够解决复杂问题。
9.2 缺点
（1）参数量较大，容易出现过拟合。
（2）训练速度慢，层数增加后计算复杂度提高。
（3）无法处理时序信息，相比RNN/LSTM，对序列建模能力较弱。
十、实验总结
本文基于Excel实现了一个完整的MLP前向传播过程，从神经元原理出发，详细分析了：
权重计算、偏置作用、激活函数、隐藏层特征提取、输出层概率预测
相比直接使用深度学习框架，Excel实现更加直观，有助于理解神经网络底层数学机制。
本实验不仅完成了MLP计算过程展示，也为后续学习BP反向传播、梯度下降、深层神经网络、CNN与LSTM等内容奠定了理论基础。