简要回答
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）
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。
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？
有用。在表格/结构化数据、特征已较好、数据量小、或需要低延迟与可解释性的场景，浅层网络（甚至线性/单隐层 MLP）常是高性价比选择，也是衡量深层模型是否真的更优的强基线。此外，预训练大模型上接的下游分类头往往就是一两层浅网络。局限是面对图像、语音、长文本等需要层次抽象的高维感知任务时表达力不足。
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。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
📰 AI 资讯
🛠️ AI 工具
- Pytorch
Meta 开源的深度学习框架，100K+ stars。以动态计算图和 Pythonic 风格著称，在学术界和工业界都有广泛应用，支持分布式训练、移动端部署和 ONNX 导出
- Tensorflow
全球最流行的机器学习框架之一，195K+ stars。Google 开源的端到端 ML 平台，支持 TensorFlow、Keras 等多种 API，覆盖深度学习、强化学习、移动端部署等全场景，是 AI 工程师的必备工具