前文介绍了多层感知机，而多层感知机，其实是神经网络的一种特殊情况（只有一层隐藏层 & 全链接），而当我们引入多层隐藏层进行分析时，就是常说的深度学习，其中的深度，就是指的有多个隐藏层。
整体框架结构上，深度学习和多层感知机并没有基础结构件的区别，但是就像我们代码为了提高代码的复用率一样，当我们具有非常多隐藏层的时候，我们往往需要定义一个抽象的层以及定义一个抽象的块，来帮助我们更好的对模型结构进行复用。
层和块
介绍神经网络时，我们
- 开始我们关注的是具有单一输出的线性模型。，整个模型只有一个输出。 单个神经网络 （1）接受一些输入； （2）生成相应的标量输出； （3）具有一组相关 参数（parameters），更新这些参数可以优化某目标函数。
- 然后，考虑具有多个输出的网络时， 我们利用矢量化算法来描述整层神经元。 像单个神经元一样，层（1）接受一组输入， （2）生成相应的输出， （3）由一组可调整参数描述。 当我们使用softmax回归时，一个单层本身就是模型。 然而，即使我们随后引入了多层感知机，我们仍然可以认为该模型保留了上面所说的基本架构。
- 对于多层感知机而言，整个模型及其组成层都是这种架构。 整个模型接受原始输入（特征），生成输出（预测）， 并包含一些参数（所有组成层的参数集合）。 同样，每个单独的层接收输入（由前一层提供）， 生成输出（到下一层的输入），并且具有一组可调参数， 这些参数根据从下一层反向传播的信号进行更新。
我们可以看到，整体模式其实都是 根据一些参数， 获取原始输入，得到一个输出结果。
而一些项目我们可能会用到非常多的层， 例如，在计算机视觉中广泛流行的ResNet-152架构就有数百层， 这些层是由层组（groups of layers）的重复模式组成。 这个ResNet架构赢得了2015年ImageNet和COCO计算机视觉比赛 的识别和检测任务 (He et al., 2016)。 目前ResNet架构仍然是许多视觉任务的首选架构。 在其他的领域，如自然语言处理和语音， 层组以各种重复模式排列的类似架构现在也是普遍存在。
为了实现这些复杂的网络，我们引入了神经网络块的概念。 块（block）可以描述单个层、由多个层组成的组件或整个模型本身。 使用块进行抽象的一个好处是可以将一些块组合成更大的组件， 这一过程通常是递归的，如下所示。 通过定义代码来按需生成任意复杂度的块， 我们可以通过简洁的代码实现复杂的神经网络。