用Excel生成数据训练验证Python多层感知机

本文展示如何在Excel生成训练数据、用Python训练多层感知机、并验证其性能。

想开发Python神经网络，你来对地方了。深入Excel数据准备前，建议回顾系列其余文章建立基础语境：

实际应用中，训练样本由测量输入与已知目标配对组成，使神经网络学习一致输入-输出映射。例如，想让网络基于颜色、形状、密度预测番茄食用品质。采集数千番茄，记录物理属性、品尝每个、汇总成表，即创建网络学习属性与品质关系的数据集。

每行代表一个训练样本，三输入列（颜色、形状、密度）和单目标输出列。

训练中神经网络将识别三输入值与输出值间潜在模式——若存在。

所有输入输出必须为数值。"李子形"、"令人垂涎"等字符串不能直接输入网络。量化将定性描述转数值标度。如形状编码从-1（完美球）到+1（极度细长）。食用品质可五级评分再独热编码为五元输出向量。

下图展示五分类任务独热编码。

用Excel生成数据训练验证Python多层感知机

独热编码契合logistic-sigmoid激活，其在窄过渡区外产生接近0或1值。用单输出节点目标值0-4会偏向极值导致荒谬预测。

用Excel生成数据训练验证Python多层感知机

第12部分引用的Python神经网络从Excel文件导入样本。数据排列如下：

用Excel生成数据训练验证Python多层感知机

因感知机实现仅支持单输出节点，我们做二分类。输入值为-5到+5随机数，Excel公式生成：

 =RANDBETWEEN(-10, 10)/2

输出按以下规则衍生：

 =IF(AND(A2>0, B2>0, C2<0), 1, 0)

因此网络学习：仅当input_0>0、input_1>0、input_2<0时样本标记1，否则0。

此简易问题，5,000随机样本单epoch足达高分类准确率。

配置网络：输入维度三（I_dim = 3）、四隐藏节点（H_dim = 4）、学习率0.1（LR = 0.1）。将training_data = pandas.read_excel(...)行替为你的表格路径。无Excel时Pandas也可读ODS文件。

2.5 GHz Windows笔记本8GB内存跑5,000样本仅几秒。用完整MLP_v1.py脚本，验证自动在训练后开始。

验证需同公式生成的第二张表。同方式导入数据：

用Excel生成数据训练验证Python多层感知机

下面片段演示直观验证例程：

 # 前向传播得后激活值
output = sigmoid(np.dot(W_out, hidden_output))
# 阈值得二元预测
prediction = 1 if output > 0.5 else 0
# 与目标比较累积正确预测

分类准确率 = 正确预测数 / 验证样本总数。

若省略np.random.seed(1)，权重初始化随运行变化致准确率波动。指定参数（5,000训练、1,000验证）下15次运行，准确率88.5%-98.1%，平均94.4%。

探讨神经网络训练数据关键概念，实现Python多层感知机，用Excel生成数据集评估性能。系列已显著推进，更多高阶主题待后续发布。

工业机器人