1. 每一层计算：
2. 通过激活函数：
3. 最终输出预测结果 。
但如果这个决策结果和实际情况不符呢？国王如何优化顾问们的判断呢？这就需要反向传播。
（2）反向传播（backpropagation）
国王发现大祭司的决策和真实情况不符，比如他选了一位很强但不忠诚的战士。于是，他计算误差，并将这个信息反馈给顾问们，让他们调整评分标准。
数学上：
1. 计算损失（Loss），衡量预测值和真实值的误差：
2. 计算梯度，调整每一层的权重：
其中， 是学习率。
这就是梯度下降（Gradient dest），通过不断调整权重和偏置，使得最终预测更接近真实值。
最终，国王的顾问系统变得越来越精准，每一轮决策都会比上一轮更好。
4. mLp 的现实应用
多层感知机在很多领域都有应用，特别适用于需要学习非线性关系的问题：
（1）图像识别
? 输入层：像素数据（RGb 值）。
? 隐藏层：识别边缘、颜色、形状等特征。
? 输出层：判断这是一只猫还是一只狗。
（2）自然语言处理
? 输入层：单词或句子。
? 隐藏层：学习语法结构、词义关联。
? 输出层：生成文本、回答问题。
（3）金融预测
? 输入层：股票价格、经济指标。
? 隐藏层：分析趋势、市场情绪。
? 输出层：预测未来价格走势。
5. 结论
? 单层感知机（perceptron） 只能处理简单问题，无法学习复杂的非线性关系。
? 多层感知机（mLp） 通过多个隐藏层，使得神经网络可以学习更深层次的特征。
? 前向传播（Forropagation） 计算预测值，反向传播（backpropagation） 通过梯度下降优化参数，使模型不断学习和提高准确性。
? mLp 是深度学习的基础，后来的卷积神经网络（）、循环神经网络（RNN）等都是在它的基础上发展出来的。
最终，国王成功地通过“多层感知机”找到最合适的守护者，而现代 AI 也通过 mLp 实现了从图像识别到金融预测的突破！', '！')