计算机深度学习是一种基于神经网络的机器学习技术，可以用于数据分类、图像识别、语音识别等领域，它的发展离不开以下几个基础。

1. 硬件基础 在计算机深度学习发展的早期，由于计算机处理速度和存储能力的限制，深度学习的应用受到了很大的制约。但是现在，随着云计算和GPU等技术的发展，计算机的性能不断提升，大型深度神经网络的训练时间和精度也得到了很大的提高。比如，我们可以使用TensorFlow等工具，在GPU上训练大型神经网络。

2. 算法基础 深度学习的算法基础包括神经网络、卷积神经网络、循环神经网络等。其中，神经网络是深度学习的基础，它由多层神经元组成，每层神经元接收上一层神经元的输出作为输入，并输出给下一层神经元。卷积神经网络和循环神经网络则是在神经网络的基础上进行改进，分别用于图像处理和时间序列数据处理。

3. 数据基础 深度学习需要大量的数据作为训练集、验证集和测试集。随着互联网、移动互联网以及物联网的发展，我们可以获取到大量的数据，包括图像、文本、语音和视频等多种类型。但是，深度学习需要的数据质量要求很高，需要进行清洗和标注处理，否则会影响训练结果。例如，我们可以使用MNIST数据集进行数字的图像识别。

下面我们以一个简单的示例来介绍深度学习的基础。

示例代码：

导入TensorFlow模块

import tensorflow as tf

定义一个2层神经网络

input_layer = tf.keras.layers.Dense(units=2, input_shape=[1]) output