在讨论深度学习与多层神经网络之间的差异时，我们必须首先理解它们各自是什么以及它们在计算机科学和人工智能领域的角色。
深度学习是一种机器学习的子集，它使用了人工神经网络的架构。深度学习的核心思想是模拟人脑神经元的工作方式，以建立模型并学习数据的抽象模式。深度学习模型可以有多个隐藏层，每一层都包含了大量的神经元或节点。这些模型可以自我学习，通过大量数据输入来训练和优化，以改善它们的预测和决策能力。
相比之下，多层神经网络只是一种深度学习模型的形式。它们是神经网络的一种特殊类型，包含一个输入层，一个或多个隐藏层和一个输出层。多层神经网络通过逐层传递和处理信息，来完成从原始输入到最终输出的转换。每一层神经元都会对传入的信息进行特定的计算，然后将结果传递到下一层。
深度学习和多层神经网络的主要区别在于其应用和复杂性。深度学习是一个涵盖了许多不同类型的神经网络模型（包括但不限于卷积神经网络，递归神经网络，自编码器等）的宽泛领域，而多层神经网络则是一个更为具体和有限的概念，仅仅包含了具体数量的层和神经元，其结构相对简单。
总的来说，深度学习可以看作是多层神经网络的扩展，它可以处理更为复杂和抽象的任务，如语音识别，自然语言处理等。然而，这两种技术有着共同的目标，那就是学习并理解数据中的模式，以便进行准确的预测和决策。