用python写一个人工神经网络，具有一个输入层，三个隐藏层，一个输出层，其中输入层具有12个节点，输入输出数据从已有的excel文件导入，隐藏层每层10个节点，输出层8个节点，还要对输入输出数据都进行归一化处理，隐藏层都使用Leaky ReLU激活函数，mini-batch的大小设置为50,epoch的数量设置为200。在反向传播过程中使用Adam优化器更新DNN参数，初始学习率设置为0.001，学习率每50次下降10次，用于神经网络隐藏层的微调。

以下是一个简单的Python代码示例，可以实现您所描述的人工神经网络：

import pandas as pd
import numpy as np
import tensorflow as tf

# 导入数据
data = pd.read_excel('data.xlsx')
x_data = data.iloc[:, :-8].values
y_data = data.iloc[:, -8:].values

# 归一化处理
x_max = np.max(x_data, axis=0)
x_min = np.min(x_data, axis=0)
x_data = (x_data - x_min) / (x_max - x_min)
y_max = np.max(y_data, axis=0)
y_min = np.min(y_data, axis=0)
y_data = (y_data - y_min) / (y_max - y_min)

# 定义超参数
input_size = 12
hidden_size = [10, 10, 10]
output_size = 8
learning_rate = 0.001
batch_size = 50
epochs = 200

# 定义输入输出占位符
x = tf.placeholder(tf.float32, [None, input_size])
y = tf.placeholder(tf.float32, [None, output_size])

# 定义神经网络
def neural_network(x):
    # 输入层
    input_layer = tf.layers.dense(x, hidden_size[0], activation=tf.nn.leaky_relu)
    # 隐藏层
    hidden_layer_1 = tf.layers.dense(input_layer, hidden_size[1], activation=tf.nn.leaky_relu)
    hidden_layer_2 = tf.layers.dense(hidden_layer_1, hidden_size[2], activation=tf.nn.leaky_relu)
    hidden_layer_3 = tf.layers.dense(hidden_layer_2, output_size, activation=tf.nn.leaky_relu)
    # 输出层
    output_layer = tf.layers.dense(hidden_layer_3, output_size, activation=None)
    return output_layer

# 定义损失函数和优化器
loss = tf.losses.mean_squared_error(y, neural_network(x))
global_step = tf.Variable(0, trainable=False)
learning_rate = tf.train.exponential_decay(learning_rate, global_step, 50, 0.1, staircase=True)
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(loss, global_step=global_step)

# 训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for epoch in range(epochs):
        # 随机打乱数据顺序
        indices = np.random.permutation(len(x_data))
        x_data = x_data[indices]
        y_data = y_data[indices]
        # 分批训练
        for i in range(0, len(x_data), batch_size):
            batch_x = x_data[i:i+batch_size]
            batch_y = y_data[i:i+batch_size]
            sess.run(optimizer, feed_dict={x: batch_x, y: batch_y})
        # 每个epoch结束后输出loss
        if epoch % 10 == 9:
            print("Epoch: {}, Loss: {}".format(epoch+1, sess.run(loss, feed_dict={x: x_data, y: y_data})))
    # 训练完成后保存模型
    saver = tf.train.Saver()
    saver.save(sess, "model.ckpt")

注意，这只是一个简单的示例代码，您可能需要根据实际情况进行修改。此外，您还需要加载模型并进行预测，以获得结果。