核心要点
浅层：少量隐藏层；深层：多层堆叠
深度可层次组合特征
浅层训练易但表达受限
结合 depth 概念与 UAT 理解
简要回答
浅层神经网络只有一两个隐藏层，深层则有多层堆叠；深层能层次化学习复杂特征但训练更难，浅层易训但对复杂模式表达能力有限。
标准回答
浅层网络（Shallow）：通常 0～1 个隐藏层（如单层感知机、单隐层 MLP）。深层网络（Deep）：多个隐藏层堆叠（现代 CNN、Transformer 可达数十～数百层）。
对比：
| 维度 | 浅层 | 深层 |
|---|---|---|
| 层数 | 少 | 多 |
| 特征 | 较简单非线性 | 层次抽象 |
| 训练 | 相对容易 | 需 ResNet、BN 等 |
| 数据 | 中小可能够 | 常需大数据 |
| 理论 | 宽网络可 UAT 逼近 | 某些函数深度更高效 |
浅层适用：简单模式、小数据、可解释基线、教学演示。
深层适用：图像、语音、NLP 等复杂感知任务；端到端 深度学习 主流范式。
回答思路
【定义】用一句话说清「浅层神经网络与深层神经网络」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
用绝对层数而不结合任务；说浅层完全过时；忽视浅层在表格/基线中的价值。
追问
追问 1：两层算深还是浅？
学术上「深度」通常指 ≥3 层可学习变换（含多个隐藏层）；口语中两层 MLP 仍常称浅层。面试应强调相对概念与任务复杂度。
追问 2：浅层网络现在还有用吗？
有。嵌入层后接浅 MLP、表格数据、快速 baseline、资源极简设备；也用于理解 XOR 等非线性可分问题教学。
追问 3：深但窄 vs 浅但宽？
深度擅组合性特征，宽度增加单层容量。UAT 说宽浅可逼近，但实践中深结构归纳偏置更匹配图像语言等数据。Transformer 两者都大。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
