从 Excel 手算理解 MLP（多层感知机）的完整计算过程
本文基于配套 Excel 文件，对一个最基础的 MLP（Multi-Layer Perceptron，多层感知机）进行完整拆解，详细展示：
前向传播（Forward Propagation）
激活函数（Activation Function）
输出层计算
Loss 计算
梯度求导
反向传播（BackPropagation）
权重更新
Bias 更新
的全部数学计算过程。
1. 什么是 MLP
MLP（多层感知机）是：
最基础的神经网络结构
它本质上由：
输入层 → 隐藏层 → 输出层
组成。
神经网络通过：
输入数据 → 计算预测结果 → 计算误差 → 更新参数
不断学习数据规律。
2. 本 Excel 的网络结构
本 Excel 使用的是：
单输入 + 单隐藏层 + 单输出
结构如下：
输入层(1) ↓ 隐藏层(6) ↓ 输出层(1)
即：
输入层：1 个神经元
隐藏层：6 个神经元
输出层：1 个神经元
3. 初始参数说明
Excel 中黄色单元格为可修改参数。
主要参数如下：
| 参数 | 符号 | 含义 |
|---|---|---|
| 输入值 | $x$ | 当前输入数据 |
| 隐藏层权重 | $W_h$ | 输入层到隐藏层权重 |
| 隐藏层 Bias | $b_h$ | 隐藏层偏置 |
| 输出层权重 | $W_o$ | 隐藏层到输出层权重 |
| 输出层 Bias | $b_o$ | 输出层偏置 |
| 学习率 | $\eta$ | 参数更新速度 |
| 目标值 | $y_{target}$ | 真实标签 |
4. 前向传播（Forward Propagation）
前向传播的目标：
输入数据 → 计算预测结果
5. Step 1：输入层到隐藏层
隐藏层中的每个神经元都会执行：
$$
z=xw+b
$$
其中：
x：输入值
w：权重
b：Bias
Excel 中公式：
=$A$4*H4+C4
对应：
A4：输入值
H4：权重
C4：Bias
5.1 数值计算示例
假设：
x=5
w=10
b=10
则：
最终：z=60
这就是某个隐藏层神经元的输入值。
6. Step 2：激活函数（Activation Function）
神经网络不能只有线性计算。
否则：
多层网络 ≈ 单层线性模型
因此必须加入：
非线性激活函数
本 Excel 使用：
Leaky ReLU
公式：
6.1 Excel 公式
=IF(N4>0,N4,0.05*N4)
含义：
大于 0：直接输出
小于等于 0：保留 0.05 倍
6.2 为什么使用 Leaky ReLU
普通 ReLU：
存在：
神经元死亡问题
因为负数区域梯度为 0。
而 Leaky ReLU：
负数区域仍保留微小梯度
因此训练更加稳定。
7. Step 3：隐藏层输出
隐藏层 6 个神经元会分别输出：
这些值会继续传入输出层。
8. Step 4：输出层计算
输出层会继续进行：
加权求和
Excel 中：
=SUMPRODUCT(O4:O9,R4:R9)+R11
数学式：
其中：
：隐藏层输出
：输出层权重
：输出层 Bias
9. Step 5：输出层激活函数
输出层同样使用：
Leaky ReLU
Excel：
=IF(X4>0,X4,0.05*X4)
得到最终预测值：
10. Step 6：Loss（损失函数）
神经网络训练目标：
让预测值接近真实值
这里使用：
平方误差（MSE）
公式：
Excel：
=(Y4-Z4)^2
10.1 数值示例
假设：
则：
误差越大：越大
11. 为什么需要反向传播
前向传播只能得到结果。
真正关键的是：
如何修改参数，让误差越来越小？
因此需要：
BackPropagation（BP）
核心流程：
Loss ↓ 求导 ↓ 得到梯度 ↓ 更新参数
12. Step 7：输出层梯度计算
Excel 中：
=2*(Y4-Z4)*IF(Y4>0,1,0.05)
本质：
13. Loss 求导
平方误差：
求导：
14. 激活函数求导
Leaky ReLU 导数：
因此 Excel 写成：
IF(Y4>0,1,0.05)
15. 链式法则（Chain Rule）
神经网络训练最核心的数学基础：
链式法则
公式：
含义：
Loss 对权重的影响 = 误差传播 × 激活函数梯度 × 当前层输入
这就是：
BP 算法的本质
16. Step 8：输出层权重更新
梯度下降公式：
其中：
：学习率
：梯度
16.1 Excel 公式
=T4*$B$1
表示：
梯度 × 学习率
然后：
=R4-U4
表示：
新权重 = 旧权重 - 更新量
17. Step 9：Bias 更新
Bias 本质也是参数。
因此：
更新方式与权重完全一致。
18. Step 10：误差传播回隐藏层
隐藏层没有直接接触真实值。
因此：
需要输出层误差：
反向传播
Excel：
=$AB$4*R4*IF(O4>0,1,0.05)
本质：
隐藏层梯度 = 输出层梯度 \times 输出层权重 \times 激活函数导数
19. 隐藏层权重更新
隐藏层参数同样遵循：
只不过：
隐藏层梯度需要通过：
输出层误差 → 链式法则 → 反向传播
得到。
20. 神经网络为什么能学习
整个训练过程实际上就是：
随机初始化参数 ↓ 进行预测 ↓ 计算误差 ↓ 求梯度 ↓ 更新参数 ↓ 误差减小 ↓ 重复很多次
最终：
模型参数逐渐逼近最优解。
21. MLP 的本质
其实可以把 MLP 理解成：
一个不断修正参数的函数逼近器
它通过：
误差 → 梯度 → 参数更新
不断优化预测结果。
22. 用一句话理解 BP 神经网络
可以简单理解为：
前向传播负责“算结果” 反向传播负责“改参数”
整个训练循环：
Forward → Loss → Backward → Update → Forward...
最终：更小