‘壹’ “深度学习”和“多层神经网络”的区别
深度学习旨在构建复杂模型，以解决现实世界中的复杂问题。它的核心在于多层神经网络的开发与优化，通过多层次结构，使得网络能够自动学习和提取数据特征，从而实现对复杂数据的理解与处理。
在深度学习中，最为广泛应用的网络结构是卷积神经网络（CNN），它在计算机视觉领域取得了巨大成功。CNN之所以能解决传统深度网络参数过多、难以训练的问题，主要得益于它独特的局部感受野和权值共享机制。这些特性使得CNN能够有效减少网络参数，同时提取视觉任务中层次化、结构化的特征。经过多年的演进，CNN衍生出了许多经典网络结构，如VGG、Inception、ResNet等。
在处理序列数据时，循环神经网络（RNN）成为另一类重要网络结构，尤其在自然语言处理等领域大显身手。RNN具备记忆功能，能够处理具有时间序列特性的数据。在此基础上，进一步发展出了长期短期记忆网络（LSTM），通过门控机制解决遗忘问题，提高了模型在处理长序列数据时的表现。
除了网络结构外，深度学习还引入了许多创新方法，以解决多层神经网络的不足。激活函数、权重初始化、损失函数、防止过拟合等都是深度学习中不可或缺的部分。例如ReLU激活函数、XAVIER等权重初始化方法、Dropout和归一化（BN）等手段，都在一定程度上优化了网络训练过程，提高了模型的泛化能力。
综上所述，深度学习与多层神经网络之间的关系在于，深度学习通过发展新的网络结构和方法，使得多层神经网络能够更高效地学习和处理复杂数据。通过引入CNN、RNN等结构，以及激活函数、权重初始化等方法，深度学习在计算机视觉、自然语言处理等多个领域取得了显着成果。
‘贰’ 机器学习,深度学习,神经网络,深度神经网络之间有何区别
机器学习作为一系列方法和模型的总称，广泛应用于人工智能领域，旨在使计算机通过数据学习并实现特定任务。
神经网络作为其中一种机器学习模型，以其强大的表达能力及对复杂问题的解决能力，近年来备受关注，尤其在图像识别、自然语言处理等领域大放异彩。
深度神经网络，顾名思义，是基于神经网络基础上发展起来的一种模型，通过增加网络层数，使得模型能够学习到更深层次的特征，从而在处理复杂任务时展现出更强大的性能。
深度学习，作为机器学习的一个分支，主要利用深度神经网络进行学习，尤其在图像、语音、文本等领域的应用中表现出色。通过深度学习，计算机能够实现从数据到特征的自动提取，最终实现对未知数据的预测或分类。
综上所述，机器学习是广泛应用于数据学习和任务解决的领域；神经网络作为一种特定模型，拥有强大处理复杂任务的能力；深度神经网络则是在神经网络基础上增加层数，以学习更深层次特征的模型；而深度学习则侧重于利用深度神经网络进行机器学习，实现从数据到特征的自动化提取，进而完成对复杂问题的解决。
‘叁’ “深度学习”和“多层神经网络”的区别
作者：杨延生
来源：知乎
"深度学习"是为了让层数较多的多层神经网络可以训练，能够work而演化出来的一系列的 新的结构和新的方法。
新的网络结构中最着名的就是CNN，它解决了传统较深的网络参数太多，很难训练的问题，使用了“局部感受野”和“权植共享”的概念，大大减少了网络参数的数量。关键是这种结构确实很符合视觉类任务在人脑上的工作原理。
新的结构还包括了：LSTM，ResNet等。
新的方法就多了：新的激活函数：ReLU，新的权重初始化方法（逐层初始化，XAVIER等），新的损失函数，新的防止过拟合方法（Dropout, BN等）。这些方面主要都是为了解决传统的多层神经网络的一些不足：梯度消失，过拟合等。
---------------------- 下面是原答案 ------------------------
从广义上说深度学习的网络结构也是多层神经网络的一种。
传统意义上的多层神经网络是只有输入层、隐藏层、输出层。其中隐藏层的层数根据需要而定，没有明确的理论推导来说明到底多少层合适。
而深度学习中最着名的卷积神经网络CNN，在原来多层神经网络的基础上，加入了特征学习部分，这部分是模仿人脑对信号处理上的分级的。具体操作就是在原来的全连接的层前面加入了部分连接的卷积层与降维层，而且加入的是一个层级。
输入层 - 卷积层 -降维层 -卷积层 - 降维层 -- .... -- 隐藏层 -输出层
简单来说，原来多层神经网络做的步骤是：特征映射到值。特征是人工挑选。
深度学习做的步骤是 信号->特征->值。 特征是由网络自己选择。