实现一个带有1层隐藏层的感知器，并利用自行创建的数据集对其进行训练以及测试，数据集创建要求：数据集样本数量至少为1000个，3个或以上的特征值，样本标签至少含有2个类别，举例[身高、体重，血压，是否健康]，其中是否健康为分类标签

好的，我明白了你的问题。首先需要说明的是，感知器是一种简单的神经网络结构，由于其只含有一层隐藏层，所以在解决一些较为简单的问题时，可能表现良好。下面我将为你提供一个解决方案，包括数据集的创建、感知器的构建和训练等。

首先是数据集的创建。我们可以随机生成一些身高、体重、血压等特征值，并根据一定的规则来确定是否健康，从而构建一个二分类数据集。具体实现可以参照如下代码：

import numpy as np

# 随机生成数据集
np.random.seed(0)
X = np.random.rand(1000, 3)
y = np.zeros(1000)
y[np.sum(X, axis=1) > 1.5] = 1

# 添加标签列
X = np.hstack((X, y.reshape(-1, 1)))

上述代码首先生成了一个1000个样本、3个特征的随机数据集`X`，然后根据特征值之和是否大于1.5来确定每个样本的健康状态，并将结果存储在`y`中。最后将`y`添加到`X`的最后一列中，形成一个完整的数据集。

接下来是感知器的构建和训练。我们可以使用Python中的`Keras`库来实现。具体实现可以参照如下代码：

from keras.models import Sequential
from keras.layers import Dense

# 构建感知器模型
model = Sequential()
model.add(Dense(4, input_dim=3, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X[:, :3], X[:, 3], epochs=100, batch_size=32, verbose=0)

# 评估模型
loss, accuracy = model.evaluate(X[:, :3], X[:, 3], verbose=0)
print('Accuracy: %.2f' % (accuracy*100))

上述代码首先构建了一个含有1层隐藏层的感知器模型，其中输入层有3个神经元，隐藏层有4个神经元，输出层有1个神经元，激活函数分别为`relu`和`sigmoid`。然后编译模型，使用`binary_crossentropy`作为损失函数，`adam`作为优化器，并使用准确率作为评估指标。接着对模型进行训练，使用100个epoch和32个样本的batch size。最后评估模型的表现，输出准确率。

需要注意的是，由于数据集是随机生成的，所以每次运行结果可能会有所不同。但是，如果你遵循上述步骤，应该能够成功地创建一个带有1层隐藏层的感知器，并利用自行创建的数据集对其进行训练和测试。