表征学习是指通过学习将一个物品或现象的特征抽取出来，并将其表示成向量或矩阵等形式。在机器学习领域，表征学习是非常重要的一部分，因为它可以将复杂的输入数据映射到特征空间中，从而更好地进行分类、回归等任务。而深度学习，则是利用神经网络来进行表征学习的方法之一。下面我们将详细介绍如何在深度学习中实现表征学习，并提供代码示例。

1. 基于深度卷积神经网络的表征学习

深度卷积神经网络(CNN)是目前最为流行的深度学习技术之一。其可以通过卷积、池化等方式来提取输入数据中的特征，并最终将其表示成向量形式。我们可以通过搭建一个深度CNN来进行表征学习，下面是一段基于Python和Keras框架的代码示例：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten

# 定义CNN模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())

# 输出模型中间层的特征向量
from keras.models import Model

intermediate_layer_model = Model(inputs=model.input,
                                 outputs=model.get_layer(index=2).output)
intermediate_output = intermediate_layer_model.predict(data)

2. 基于自编码器的表征学习

自编码器是一种特殊的神经网络，其目标是将输入数据重构出来，但同时也会学习到其极为紧凑并且无噪声的编码。因此，我们也可以利用自编码器进行表征学习。下面是一段基于Python和Keras框架的代码示例：

from keras.layers import Input, Dense