在开始写代码之前，我们需要准备一些数据。波士顿房价数据集是一个经典的机器学习数据集，用于预测波士顿地区的住房价格。这个数据集包含506个数据点，每个数据点有13个特征，表示波士顿地区的房屋信息（例如房屋所在的社区、房屋的年龄、房屋的房间数量等）。

我们可以使用sklearn库来载入这个数据集。首先需要安装sklearn，然后，我们就可以载入数据集了：

from sklearn.datasets import load_boston

载入数据集

boston_dataset = load_boston()

输出数据集的描述

print(boston_dataset.DESCR)

载入数据集后，我们可以将其划分为训练集和测试集。为了让模型能够更好地泛化到新数据，我们通常会将数据集分成训练集和测试集两部分，用训练集来训练模型，用测试集来评估模型的性能。我们可以使用sklearn库中的train_test_split函数来将数据集划分为训练集和测试集：

from sklearn.model_selection import train_test_split

# 获取特征和标签
X = boston_dataset.data
y = boston_dataset.target

# 将数据集划分为训练集和测试集，test_size参数指定测试集所占的比例，random_state参数指定随机种子
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

我们还需要对训练集进行一些预处理，例如归一化。我们可以使用sklearn库中的StandardScaler来实现这一步骤：

from sklearn.preprocessing import StandardScaler


# 创建StandardScaler对象
scaler = StandardScaler()

# 将训练集的特征进行标准化
X_train = scaler.fit_transform(X_train)

# 将测试集的特征进行标准化
X_test = scaler.transform(X_test)

接下来，我们就可以开始构建深度学习模型了。这里我们可以使用Keras框架来构建模型。首先需要安装Keras，然后，我们可以使用如下代码来构建模型：

from keras.models import Sequential
from keras.layers import Dense

# 创建模型
model = Sequential()

# 添加隐藏层
model.add(Dense(units=64, activation='relu', input_dim=13))
model.add(Dense(units=32, activation='relu'))

# 添加输出层
model.add(Dense(units=1))

# 编译模型
model.compile(loss='mean_squared_error', optimizer='adam')

最后，我们就可以训练模型了。使用如下代码训练模型：

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32)

训练完模型后，我们就可以使用模型来预测测试集中的房价了。使用如下代码预测测试集中的房价：

# 使用模型预测测试集中的房价
y_pred = model.predict(X_test)

最后，我们可以使用sklearn库中的mean_squared_error函数来评估模型的性能。使用如下代码计算平均平方误差（MSE）：

from sklearn.metrics import mean_squared_error

# 计算MSE
mse = mean_squared_error(y_test, y_pred)

# 输出MSE
print(mse)