基于 Excel 的多层感知机（MLP）前向传播机制解析

基于 Excel 的多层感知机MLP前向传播机制解析1. 引言在深度学习领域多层感知机Multi-Layer Perceptron, MLP是最基础的前馈神经网络Feedforward Neural Network。为了直观解析其底层的计算逻辑本文将脱离传统的高级编程框架如 TensorFlow 或 PyTorch基于 Excel 电子表格构建一个标准的前向传播Forward Propagation计算模型。此方法旨在通过可视化的矩阵运算与函数映射揭示神经网络由输入到预测输出的数学本质。2. 网络拓扑与参数设定为便于演示本模型采用一个轻量级的2-2-1架构配置输入层Input Layer包含 2 个特征输入维度定义为特征向量X[x1,x2]X [x_1, x_2]X[x1​,x2​]。隐藏层Hidden Layer包含 2 个神经元定义为h1h_1h1​与h2h_2h2​。输出层Output Layer包含 1 个神经元输出最终的预测值y^\hat{y}y^​。激活函数Activation Function隐藏层与输出层均采用 Sigmoid 函数以引入非线性特征。3. 前向传播的数学表达与 Excel 实现前向传播的核心是逐层进行“线性组合”与“非线性激活”。以下是具体的推导过程及其在 Excel 单元格中的公式映射机制3.1 隐藏层的计算逻辑对于隐藏层的任意神经元首先需计算输入向量与该神经元权重向量的内积并附加偏置项BiasZ[1]∑i1n(wi⋅xi)b[1]Z^{[1]} \sum_{i1}^{n} (w_{i} \cdot x_{i}) b^{[1]}Z[1]i1∑n​(wi​⋅xi​)b[1]随后将线性运算结果Z[1]Z^{[1]}Z[1]输入 Sigmoid 激活函数完成特征的非线性映射A[1]σ(Z[1])11e−Z[1]A^{[1]} \sigma(Z^{[1]}) \frac{1}{1 e^{-Z^{[1]}}}A[1]σ(Z[1])1e−Z[1]1​Excel 映射策略线性加权假设输入x1,x2x_1, x_2x1​,x2​分别位于B4、C4权重位于B7、C7偏置位于D7。在 Excel 中线性项ZZZ的计算公式表达为B4*B7 C4*C7 D7。非线性激活利用 Excel 内置的指数函数EXP()激活后的输出值AAA的公式表达为1/(1EXP(-Z所在的单元格))。3.2 输出层的计算逻辑输出层将隐藏层的输出A[1]A^{[1]}A[1]作为其输入特征执行相同的线性组合与非线性激活过程以输出最终预测结果Z[2](wh1⋅ah1)(wh2⋅ah2)b[2]Z^{[2]} (w_{h1} \cdot a_{h1}) (w_{h2} \cdot a_{h2}) b^{[2]}Z[2](wh1​⋅ah1​)(wh2​⋅ah2​)b[2]Y^σ(Z[2])\hat{Y} \sigma(Z^{[2]})Y^σ(Z[2])Excel 映射策略将隐藏层生成的两个激活值作为自变量结合输出层的特定权重矩阵与偏置向量再次代入上述求和与激活公式即可在最终单元格如C18中得出Y^\hat{Y}Y^。4. 模型交互与验证借助预先配置好的MLP_Calculation_Demo.xlsx文件可以通过修改输入层节点x1x_1x1​或x2x_2x2​的数值实时观测前向传播路径中各节点输出值的动态演变。此 Excel 演示模型完整呈现了神经网络推理Inference阶段的算力流动过程。在实际的工程应用中复杂的深度神经网络正是基于此类基础矩阵运算通过增加网络层数深度与节点规模宽度辅以反向传播算法Backpropagation进行参数优化从而实现对复杂高维数据的有效拟合与泛化。