第三道门：输出层（最终决策）
艾琳来到了最后一道门。这里的守门人只关心一个问题：“艾琳是否足够聪慧，值得获得智慧之石？”
这位守门人只会接收前面计算出来的结果（0.9986），并根据一个最终判定标准来决定是否放行：
? 如果得分 ≥ 0.7，放行。
? 如果得分 ＜ 0.7，拒绝。
由于艾琳的得分是 0.9986，远超 0.7，所以守门人微微一笑，为她打开了城堡的最后一道门。
艾琳顺利进入城堡，获得了智慧之石。
比喻：三层神经网络 = 三道智慧考验
这个故事其实就是三层神经网络的完整运作过程：
1. 输入层（第一道门）：接收原始数据，比如人的基本特征（力量、智力、速度）。
2. 隐藏层（第二道门）：赋予不同的权重，并进行数学计算，类似于隐藏层的神经元对信息进行提炼和转换。
3. 输出层（第三道门）：最终决策，比如预测一个人是否适合进入智慧城堡（是否通过分类阈值）。
这个过程模拟了机器学习中的分类任务，比如：
? 判断一封邮件是垃圾邮件还是正常邮件（0 或 1）。
? 预测一个病人是否会生病。
? 识别人脸是否属于某个人。
拓展：如果有更多层呢？
如果城堡的智慧试炼有更多层，那么就代表这个神经网络更深、更复杂，就像**深度学习（deep Learng）**一样，可以解决更加复杂的问题，比如图像识别、自然语言处理等。
这样一来，你可以把多层神经网络想象成：
? 一个更复杂的智慧试炼，需要多次计算和权重调整。
? 一个魔法学院的入学考试，需要经过多轮考核和评分，最终选出最适合的学员。
最终，三层神经网络（以及更深层的神经网络）就像一个不断优化的智能筛选系统，从最基础的信息开始，逐步提炼、加工，最终得出可靠的决策。