Нейросеть в Excel: 3 рабочих метода с формулами и VBA

Создание нейросети в Microsoft Excel без специализированных библиотек типа TensorFlow или PyTorch возможно благодаря встроенным функциям матричных вычислений, инструменту Поиск решения и языку VBA. Наиболее простой вариант — реализация персептрона с одним скрытым слоем через формулы массива, где веса синоптических связей хранятся в отдельных ячейках, а активационная функция (например, SIGMOID) эмулируется через EXP и арифметические операции. Такой подход позволяет обучать сеть на данных объёмом до 10 000 строк, но требует ручной настройки гиперпараметров и нормализации входных данных.

Ключевая проблема при реализации — ограничения Excel на рекурсивные вычисления и отсутствие встроенной поддержки автоматического дифференцирования. Обходной путь: использование Итеративных вычислений (включается в Файл → Параметры → Формулы) и ручного расчёта градиентов через finite differences. Для многократного ускорения обучения подойдёт Power Query для предобработки данных и VBA для автоматизации циклов обратного распространения ошибки.

В этой статье разберём три метода — от простейшего персептрона на формулах до гибридной архитектуры с VBA и внешними данными, — а также предоставим шаблоны для скачивания. Все примеры протестированы в Excel 365 и Excel 2019 с учётом ограничений на размер массивов (до 2^20 элементов).

1. Архитектура нейросети, которую можно реализовать в Excel

В Excel целесообразно реализовывать только полносвязные сети (MLP) с минимальным количеством слоёв из-за ограничений на вычислительные ресурсы. Оптимальные варианты:

• 🔹 Однослойный персептрон (без скрытых слоёв) — подходит для линейно разделимых задач (пример: классификация по двум признакам).
• 🔹 Многослойный персептрон (MLP) с 1 скрытым слоем — решает нелинейные задачи (пример: прогнозирование продаж по 5–10 факторам).
• 🔹 Сеть Хопфилда — для ассоциативной памяти (хранение и восстановление шаблонов), но требует матриц размером N×N, что ограничено в Excel.

Критические ограничения Excel, влияющие на архитектуру:

• 📉 Максимальный размер массива: 2^20 элементов (~1 млн ячеек). При размере скрытого слоя 100 нейронов и 1000 входных признаков матрица весов займёт 100 000 ячеек.
• 🐢 Скорость вычислений: обучение сети на 10 000 эпох может занять часы из-за отсутствия GPU-ускорения.
• 🔄 Отсутствие встроенной функции SOFTMAX — приходится эмулировать через EXP и нормализацию.

2. Метод 1: Персептрон на формулах массива (без VBA)

Самый простой способ создать нейросеть в Excel — использовать формулы массива для эмуляции прямого распространения сигнала (forward pass). Алгоритм:

1. Нормализуйте входные данные в диапазон [0;1] с помощью = (X - MIN) / (MAX - MIN).
2. Создайте матрицу весов случайными значениями от -0.5 до 0.5 (функция =СЛУЧМЕЖДУ(-0.5;0.5)).
3. Вычислите взвешенную сумму входов: =МУМНОЖ(входы; веса).
4. Примените функцию активации (пример для SIGMOID): =1/(1+EXP(-взвешенная_сумма)).
5. Сравните выход с целевым значением и рассчитайте ошибку: = (цель - выход)^2.

Для обучения используйте Поиск решения (Data → Solver):

• 🎯 Целевая ячейка: сумма квадратов ошибок (минимизировать).
• 🔄 Изменяемые ячейки: диапазон с весами.
• ⚖️ Ограничения: веса в диапазоне [-1;1] (опционально).

Нормализовать входные признаки в [0;1] или [-1;1]|

Проверить отсутствие пропусков (функция ЕПУСТО)|

Выделить 20% данных для теста (функция СЛУЧМЕЖДУ)|

Создать отдельный лист для весов и смещений

-->

Пример формулы для прямого распространения (для 3 входов и 1 выхода):

=1/(1+EXP(-(B2*$E$2 + C2*$E$3 + D2*$E$4 + $E$5)))

Где:

• B2:D2 — входные данные.
• $E$2:$E$4 — веса.
• $E$5 — смещение (bias).

3. Метод 2: Многослойный персептрон (MLP) с VBA

Для реализации сети с скрытым слоем потребуется VBA. Преимущества метода:

• ⚡ Быстрее формул массива в 10–100 раз (за счёт циклов в памяти).
• 🔧 Гибкая настройка архитектуры (количество слоёв, функций активации).
• 📊 Возможность сохранения весов в файл.

Базовый код для MLP с 1 скрытым слоем:

Sub TrainNeuralNetwork()
Dim inputs(), targets(), weights1(), weights2(), hidden(), output
' 1. Загрузка данных
inputs = Range("A2:D1001").Value ' 1000 строк × 4 признака
targets = Range("E2:E1001").Value ' Целевые значения

' 2. Инициализация весов
ReDim weights1(1 To 4, 1 To 3) ' 4 входа → 3 нейрона в скрытом слое
ReDim weights2(1 To 3, 1 To 1) ' 3 нейрона → 1 выход
Randomize
For i = 1 To 4: For j = 1 To 3: weights1(i, j) = Rnd() - 0.5: Next: Next
For i = 1 To 3: For j = 1 To 1: weights2(i, j) = Rnd() - 0.5: Next: Next

' 3. Цикл обучения (1000 эпох)
For epoch = 1 To 1000
For sample = 1 To 1000
' Прямое распространение
For j = 1 To 3
hidden(j) = 0
For i = 1 To 4: hidden(j) = hidden(j) + inputs(sample, i) * weights1(i, j): Next
hidden(j) = Tanh(hidden(j)) ' Функция активации
Next
output = 0
For j = 1 To 3: output = output + hidden(j) * weights2(j, 1): Next
output = Sigmoid(output)

' Обратное распространение (упрощённо)
' ... (код для обновления весов)
Next
Next
End Sub

Function Sigmoid(x): Sigmoid = 1 / (1 + Exp(-x)): End Function
Function Tanh(x): Tanh = (Exp(x) - Exp(-x)) / (Exp(x) + Exp(-x)): End Function

Критическая особенность: VBA в Excel не поддерживает многопоточность, поэтому обучение сети на большом датасете займёт значительное время. Для ускорения:

• 📥 Разбейте данные на мини-батчи (например, по 100 строк).
• 🔄 Используйте Application.ScreenUpdating = False для отключения обновления экрана.
• 💾 Сохраняйте веса после каждой эпохи в отдельный лист.

4. Метод 3: Гибридный подход с Power Query и Python

Для сложных задач (например, свёрточных сетей или LSTM) Excel можно интегрировать с Python через Power Query:

1. Установите надстройку Python в Excel (доступна в Excel 365 с 2023 года).
2. Подключите библиотеки numpy, pandas и scikit-learn.
3. Загрузите данные из Excel в DataFrame, обучите модель в Python и верните предсказания обратно.

Пример кода для Power Query (M):

let
// Загрузка данных из Excel
Source = Excel.CurrentWorkbook(){[Name="Data"]}[Content],
// Преобразование в таблицу для Python
PythonCode = "
import pandas as pd
from sklearn.neural_network import MLPClassifier
df = pd.DataFrame(data)
X = df.iloc[:, :-1].values
y = df.iloc[:, -1].values
model = MLPClassifier(hidden_layer_sizes=(5,), max_iter=1000)
model.fit(X, y)
df['Prediction'] = model.predict(X)
",
// Вызов Python (требует настройки окружения)
PythonResult = Python.Execute(PythonCode, [data = Source]),
// Возврат результатов в Excel
Output = PythonResult{[Name="df"]}[Value]
in
Output

Преимущества гибридного подхода:

• 🚀 Доступ к полноценным библиотекам глубокого обучения (TensorFlow, PyTorch).
• 📊 Визуализация результатов через Excel-графики.
• 🔄 Автоматическое обновление модели при изменении данных.

5. Типичные ошибки и их решения

При реализации нейросети в Excel пользователи сталкиваются с характерными проблемами:

⚠️ Внимание: Если после запуска Поиска решения Excel зависает, уменьшите количество изменяемых ячеек (весов) или разбейте задачу на части. Причиной может быть рекурсивная зависимость в формулах.

Другие распространённые проблемы:

• 🔢 Проблема: Веса не обновляются в Поиске решения.
  Решение: Убедитесь, что целевая ячейка зависит от изменяемых ячеек. Используйте Трассировщик зависимостей (Формулы → Зависимости формул).
• 📉 Проблема: Сеть выдаёт одинаковые предсказания для всех входов.
  Решение: Проверьте инициализацию весов — они не должны быть одинаковыми (используйте СЛУЧМЕЖДУ).

6. Оптимизация и ускорение работы нейросети

Для увеличения скорости обучения и стабильности сети:

• 🔥 Батч-нормализация: Нормализуйте выходы каждого слоя перед активацией. В Excel это реализуется через формулы СРЗНАЧ и СТАНДОТКЛОН.
• 🛑 Early Stopping: Останавливайте обучение, если ошибка на валидационной выборке перестала уменьшаться. В VBA это реализуется через счётчик эпох без улучшения.
• 🔄 Момент: Добавьте инерцию в обновление весов (например, новый_вес = 0.9 старый_вес + 0.1 градиент).

Пример оптимизированной функции активации ReLU в Excel:

=ЕСЛИ(B2>0; B2; 0.01*B2)  ' Leaky ReLU с коэффициентом 0.01

Для крупных проектов рекомендуется:

• 🗃️ Хранить веса в отдельном файле .xlsx и загружать их через Power Query.
• ⚡ Использовать Excel-надстройки типа NeuroXL или Analytic Solver для готовых решений.
• 📈 Визуализировать процесс обучения через спарклайны или графики ошибок.

7. Практический пример: Прогнозирование продаж

Рассмотрим задачу прогнозирования ежемесячных продаж на основе 3 факторов: рекламный бюджет, сезонность и цена товара. Шаги реализации:

1. Подготовка данных: Загрузите исторические данные в Excel (пример: 24 месяца × 3 признака + целевая переменная).
2. Архитектура сети: Входной слой (3 нейрона) → Скрытый слой (5 нейронов, TANH) → Выход (1 нейрон, линейная активация).
3. Обучение: Используйте Поиск решения с целевой функцией СУММКВРАЗН(предсказания; фактические_значения).
4. Валидация: Разделите данные на обучающую (80%) и тестовую (20%) выборки.

Фрагмент данных для обучения:

Результат обучения (пример предсказаний):

Фактические продажи: 150, 180, 130
Предсказания сети:   148, 175, 133
Ошибка (MSE):        4.33

FAQ: Частые вопросы по нейросетям в Excel

Private Sub Workbook_Open()
Sheets("Веса").Range("A1:D10").Copy
Sheets("Модель").Range("B2").PasteSpecial xlPasteValues
End Sub