网易2018校园招聘深度学习算法工程师的那套笔试卷到现在我还留着完整的复盘笔记。说实话那年我刷完卷子出考场脑子里就一个念头深度学习岗位的笔试考的远比“深度学习”四个字宽得多而真正能把差距拉开的恰恰是那些看起来基础到不行、但一追问就露馅的知识点。这篇博文不打算复刻原题原文而是结合那套卷子考察的核心方向把深度学习算法校招笔试里最常出现、也最容易丢分的几类问题拆开讲清楚包括题型设计逻辑、答题思路、易错点以及我当时踩过的坑。不管你正在准备校招还是想系统补一遍深度学习基础这篇都值得慢慢看。1. 这套卷子到底在考什么网易2018算法岗校招的出题逻辑1.1 从卷面结构看深度学习岗笔试不只是深度学习很多人一看到“深度学习算法工程师”这几个字就默认笔试全是CNN、LSTM、反向传播结果拿到卷子傻眼了。网易这套2018年的笔试卷卷面覆盖范围其实非常传统高等数学、线性代数、概率论、机器学习经典算法、数据结构与算法、计算机基础网络/操作系统/C最后才是深度学习相关题目。这个分布并不是偶然。深度学习岗位和纯研究岗不同校招进来的同学是要直接参与业务落地的模型的训练、调优、上线、链路优化都离不开扎实的工程底子。所以笔试的考察逻辑就变成了先筛掉数学和代码基本功不达标的人再筛掉对深度学习只会调包不理解原理的人最后留下的才是能直接上手干活的人。清晰一点说卷面大致可以分成这几块数学基础题偏导计算、矩阵特征值、概率分布、参数估计这类约10-15分机器学习经典题逻辑回归、SVM、决策树、聚类等概念辨析和手推公式约20分编程题数组、链表、动态规划、字符串处理两道左右约30分深度学习题卷积尺寸计算、梯度消失、Dropout/BN原理、目标检测基础等约20分计算机基础TCP三次握手、进程线程、C内存管理、Python可变对象约15分。如果你想按“只要学好深度学习就能过笔试”的路线备考那大概率会在前两部分就丢了半壁江山。反过来那些看起来最基础的数学和数据结构题才是笔试过线的基本盘。1.2 考察的核心能力模型数学、代码、工程三线并行把卷子完整看一遍后你会发现它其实在测试三个层面的能力这三个层面对应了工作中三类任务第一层是数学推导能力。比如给你一个带L2正则的逻辑回归损失函数让你求梯度并写出参数更新公式再比如给一个简单的Bayes网络计算后验概率。这些题目并不难但非常考验是否真的推导过而不是只记住了sklearn的接口。当年不少同学栽在这里因为平时都用框架手推公式的机会太少。第二层是代码落地能力。编程题里除了一道常规的排序/DP题还有一道专门考Python/numpy操作细节的题要求用一行代码完成某种数组处理。这类题考察的不是会不会写for循环而是能否用向量化思维替代逐元素操作这直接对应了训练数据预处理、特征工程的效率问题。第三层是工程认知能力。比如问C中vector扩容机制、Python深拷贝浅拷贝区别、TCP为什么需要三次握手这些在平时写训练脚本、部署推理服务时都会遇到。笔试里掺入这类题说明网易当时对算法工程师的定位已经不只是“建模的”而是“能搞全链路的人”。所以我的建议是备考深度学习算法岗时别把眼光锁死在模型结构上数学、代码、工程三条线要同时推进。这套卷子给我的最大启发就是这个。2. 深度学习基础题概念辨析与公式推导的答题要点2.1 卷积神经网络的高频考点尺寸计算与感受野推导深度学习部分卷积神经网络是绝对的大头。网易这张卷子里有至少三道题绕着CNN转第一道就是最经典的卷积输出尺寸计算。题目大概是输入特征图是 32x32卷积核 3x3padding1stride2问输出尺寸是多少。公式是output_size (input_size 2 * padding - kernel_size) / stride 1代入就是 (32 2 - 3) / 2 1 16.5这里要注意向下取整结果是16。这道题本身不难但有个隐藏考点当stride大于1且尺寸不能整除时不同深度学习框架的取整行为不一样PyTorch默认向下取整TensorFlow的SAME/VALID两种padding模式又会产生不同结果。笔试如果只停留在数学计算忽略框架行为面试官追问一句就可能露馅。另一道题是计算感受野。给定一个三层卷积网络第一层3x3、stride1第二层3x3、stride1第三层3x3、stride1没有池化问最后一层每个神经元的感受野大小。这题的答案是7x7计算方式是逐层累加每经过一层3x3卷积感受野增加2。如果中间插入一层2x2、stride2的池化感受野会再产生跳跃式增长。这类题目的关键不只是记住公式而是要理解为什么感受野这么算。我的答题建议是先把公式写出来再给一个可视化推理过程展示你对卷积 sliding window 的理解而不是只甩一个最终结果。2.2 优化器、损失函数与反向传播的推导细节还有一道题是给一个简单的两层网络要求手动完成一次反向传播的权重更新。网络结构很基础输入 x [1, 2]第一层权重 W1 [[0.5, 0.3], [0.2, 0.8]]激活函数用 sigmoid第二层权重 W2 [0.4, 0.6]损失用 MSE标签 y 1学习率 lr 0.1这题完整推一遍要写好几步但核心步骤是前向计算h sigmoid(W1 * x)y_pred W2 * hL (y_pred - y)^2反向传播先算 dL/dy_pred再算 dL/dW2然后通过链式法则算 dL/dW1梯度下降W W - lr * gradient。很多人在这一步会犯一个经典错误忘记 sigmoid 的导数形式是 sigmoid(x) * (1 - sigmoid(x))直接把sigmoid当成线性函数算梯度结果整个权重更新方向都不对。这说明光知道“反向传播是用链式法则”还不够必须把每一层的局部梯度都亲手推过才可能在手写推导时不卡壳。另外卷子里还考了SGD、Momentum、Adam的区别。这里关键在于说清楚Adam综合了一阶矩动量和二阶矩自适应学习率两方面的信息所以对学习率的敏感度更低收敛更稳。如果能写出Adam的更新公式把 m_t 和 v_t 的指数滑动平均过程解释清楚这道题基本就稳了。2.3 过拟合与正则化Dropout、BN和L2的标准答法过拟合是深度学习的常客这套卷子也问了。问题是训练集loss持续下降但验证集loss开始上升是什么原因有哪些解决方法。标准答法是这是过拟合解决方法包括增加数据量、数据增强、降低模型复杂度、L1/L2正则化、Dropout、早停early stopping、Batch Normalization。但只答这些是不够的需要说明每个方法背后的原理。比如Dropout它本质上是训练时随机丢弃一部分神经元相当于同时训练了多个“瘦身”子网络并做了集成同时强制网络不依赖单一特征通道从而提升泛化能力。这里有个细节容易被忽略预测时要对权重乘以保留概率 p也就是权重缩放inverted dropout通常会在训练时除以 p预测时不做额外处理。如果只说“Dropout就是随机丢神经元”没有提inverted dropout面试官会觉得你只是背过概念没真正实现过。Batch Normalization 也一样它不只是“把数据标准化”而是通过在每个batch内对激活值做归一化并引入可学习的缩放和平移参数缓解内部协变量偏移使得可以使用更大的学习率、加速收敛还自带轻微正则效果。笔试题如果问BN为什么能提高泛化能力建议从“减少内部协变量偏移”和“对batch统计量的噪声依赖”两个角度切入。L2正则化的本质是在损失函数里加上权重的平方和项梯度更新时相当于做权重衰减让权重趋向于更小、模型更简单从而抑制过拟合。回答时最好能把新的参数更新公式写出来w w - lr * (dL/dw lambda * w)一句话点明lambda系数的作用。3. 机器学习经典算法题数学功底在这里拉开差距3.1 逻辑回归与SVM的对比高频陷阱题笔试里有一道经典对比题逻辑回归和SVM的损失函数有什么区别各适合什么场景。这题看似基础实际上想拿满分不容易。逻辑回归的损失函数是交叉熵对数损失SVM常用的是hinge loss。两者最大的区别在于逻辑回归输出的概率是有校准意义的而SVM输出的是“到超平面的距离”不直接等于概率逻辑回归对全部样本都有梯度贡献SVM只受支持向量影响对远离边界的样本天然不敏感。更值得展开的是两者的优化目标。逻辑回归本质是在拟合条件概率 P(y|x)决策边界是线性的或通过特征变换实现非线性SVM的核心是最大化几何间隔并通过核技巧把数据映射到高维空间解决非线性分类问题。如果面试官继续追问“为什么SVM要用对偶问题求解”要能答出对偶问题中样本只以内积形式出现为引入核函数创造了条件同时对偶问题可以很方便地用SMO等算法求解。这个知识点的备考建议是不要只背区别要会用公式表达。比如写出逻辑回归的损失函数L -1/N * sum(y_i * log(p_i) (1 - y_i) * log(1 - p_i))再写出SVM的hinge lossL sum(max(0, 1 - y_i * (w * x_i b))) lambda * ||w||^2一对比差异一目了然。3.2 K-Means、朴素贝叶斯等模型的计算题笔试里还有一道朴素贝叶斯的简单计算题给一个小型训练集包含几个样本和特征要求计算某个新样本属于哪个类别。这类题的解题步骤很固定计算每个类别的先验概率 P(c)计算每个特征在各类别下的条件概率 P(x_i | c)对每个类别计算联合概率选择概率最大的类别作为预测结果。这里有个陷阱如果测试样本中的某个特征在某个类别下从未出现条件概率是0会导致整个乘积为0。标准的处理办法是拉普拉斯平滑即分子加1、分母加类别数避免零概率问题。这道题如果只给出结果、不提平滑处理看起来就很像死记硬背的同学。K-Means也是常客。有一道题给了6个二维点要求用K2做一次完整迭代初始化两个质心、分配样本、更新质心、再分配问收敛后每个簇包含哪些点。这个题的易错点是比较欧氏距离时容易手滑算错另一个易错点是K-Means对初始质心敏感迭代结果可能因初始化不同而不同。答题时可以把“选择新的质心 簇内点的均值”这句话放在显眼位置然后写清每步计算得分率会高不少。3.3 样本不均衡与评价指标的选择可能是受业务影响网易那套卷子特别看重候选人对真实场景的理解有道题直接问正负样本比达到1:100用准确率评估模型有什么问题应该用什么指标。这类题考察的是对评价指标本质的理解。准确率在样本极度不均衡时会失真比如全部预测为负样本准确率仍然是99%但这个模型毫无价值。正确做法是看精确率Precision、召回率Recall、F1如果对排序场景还要看AUC。精确率关心“预测为正的样本中有多少是对的”召回率关心“真正的正样本中有多少被找出来了”F1是两者的调和平均。进阶答法可以提到使用PR曲线而不是ROC曲线因为ROC曲线在正负样本极不均衡时表现过于乐观而PR曲线对正例的识别能力更敏感。如果还能补充上采样、下采样以及Focal Loss解决样本不均衡的思路这道题基本就是满分答案了。4. 算法与数据结构编程题从读题到AC的完整链路4.1 常考题型分布与难度定位编程题在这套卷子里占的权重很重。网易的笔试系统一般是牛客网两道编程题难度定位大概在LeetCode中等偏下到中等之间一道偏基础数据结构一道偏动态规划或模拟。根据当年的观察常考的题型有数组/字符串处理去除重复元素、最大子数组和、字符串匹配链表操作反转链表、环的检测、合并有序链表二叉树遍历、最近公共祖先、层序遍历动态规划0-1背包、最长公共子序列、编辑距离排序与查找快排、二分查找变体。如果你是主攻深度学习的同学编程题往往是最容易折戟的地方。深度学习的日常工作是处理数据和调模型手写基础数据结构的机会不多但笔试不看这些不会就是不会。我的建议是至少提前一个月每天刷1-2道LeetCode把高频题型的模板代码背下来特别是DFS、BFS、DP这三板斧。4.2 两道代表性题目的完整解题拆解我根据回忆复现两道当时出现过的题目还原一下解题思路。题目一给定一个无序数组找到最长连续序列的长度要求时间复杂度O(n)。比如输入 [100, 4, 200, 1, 3, 2]输出4对应连续序列 [1, 2, 3, 4]。常规思路是排序后遍历但排序是O(n log n)不符合要求。正确解法是用hash set存储所有元素然后对每个数字x如果x-1不在set中说明x是一个连续序列的起点从这个起点开始一直往上找统计长度。这样每个元素最多被访问两次时间复杂度O(n)。核心代码可以这样写def longest_consecutive(nums): num_set set(nums) max_len 0 for num in num_set: if num - 1 not in num_set: cur num cur_len 1 while cur 1 in num_set: cur 1 cur_len 1 max_len max(max_len, cur_len) return max_len这道题考察的点是“用空间换时间”的思维以及是否能识别出“起点”特征。能第一时间想到hash set的同学笔试成绩往往不差。题目二小明从左上角走到右下角只能向右或向下走网格中某些格子有障碍物问有多少条不同的路径。这是典型的DP题状态转移方程是 dp[i][j] dp[i-1][j] dp[i][j-1]障碍物位置dp为0。边界条件是第一行和第一列只要有障碍物后面的格子都不可达。当时的坑点在于审题不清有些人没注意到“某些格子有障碍物”这个条件直接套了标准路径解的公式。笔试题的失分很多时候不是不会而是没有仔细读题再简单的题也先花30秒把输入输出约束看清楚。4.3 刷题策略与时间分配建议网易笔试的编程题一般是1小时内完成两道如果你想冲击满分时间分配要合理。我的习惯是先花2分钟通读两道题判断哪道更简单、哪道更复杂先做简单的那道争取15分钟内AC拿到保底分再做复杂那道先想清楚状态定义和转移方程再动手写代码如果剩最后10分钟还没AC至少把暴力解法写上能过部分测试用例也是分。这里有个关键经验编程题不要急着上手敲代码。先在草稿纸上画出样例的演算过程把特殊情况列出来比如数组为空、只有一个元素、全为障碍物等然后再动手写。很多同学一上来就写写到一半发现思路有漏洞反而浪费更多时间。5. 计算机基础与工程能力容易被忽视的送命题5.1 网络与操作系统的高频考察点深度学习工程师笔试里出现计算机网络和操作系统题有些科班同学觉得奇怪但这类题恰恰能反映候选人的工程底子。网易那套卷子考了几个非常经典的问题TCP为什么需要三次握手答案是三次握手能让双方确认彼此的收发能力正常。第一次客户端发SYN服务端确认客户端能发第二次服务端回SYNACK客户端确认服务端能收能发第三次客户端回ACK服务端确认客户端能收。最重要的原因其实是避免服务端创建无效连接防止历史连接请求突然到达引起资源浪费。还有一个问题是进程和线程的区别。标准答法是进程是资源分配的最小单位线程是CPU调度的最小单位同一进程内的线程共享地址空间和资源而进程间相互独立。如果再深入一点可以提到python的GIL导致多线程在CPU密集型任务上并不能提升性能所以深度学习的多卡训练更多用多进程这其实是个很好的“扣题”回答会让面试官觉得你真在跑过训练。5.2 C与Python的底层细节笔试里有一道C题vector在push_back时容量不够会发生什么答案是分配一块更大的内存通常是原来的1.5或2倍把原元素拷贝或移动到新内存释放旧内存所以迭代器会失效。这个问题是C面试标配出现在深度学习笔试里说明算法岗也需要有C功底毕竟很多推理引擎就是用C写的。Python题考了深拷贝和浅拷贝。这里的关键是理解嵌套可变对象。浅拷贝只拷贝最外层容器内层可变对象还是共享的深拷贝递归拷贝所有层级。常见的陷阱是a [[1, 2], [3, 4]]然后 b a.copy()修改 b[0][0] 会同步影响 a。正确的深拷贝需要用 copy.deepcopy()。这个知识点在数据处理时非常重要很多人训练模型时无意中修改了原始数据就是因为浅拷贝坑。卷子里还有一道Python陷阱题要求写一行代码实现某种数组操作类似# 给定数组a把所有小于5的数置为0其他不变 import numpy as np b np.where(a 5, a, 0)其实核心考的是numpy的向量化操作能力。如果你用for循环写也能实现但效率低而且不符合“一行代码”的要求。这类题就是在考察你日常处理数据时是否养成了向量化思维对深度学习的数据预处理环节来说非常重要。5.3 针对深度学习的工程类问题最后一道工程题和框架有关当时问的是训练过程中loss为NaN是什么原因怎么排查。这道题我有切身体会。第一次训练网络时遇到loss为NaN整个人是懵的半天找不到原因。后来总结出排查清单写的顺序就是我当时排查的顺序学习率太大导致梯度爆炸把学习率调小一个数量级试试数据里有NaN或无穷值用 np.isnan(x).any() 检查输入特征和标签标签类别数大于模型输出维度或者标签没从0开始编码导致CrossEntropyLoss计算错误损失函数里出现了 log(0)通常在计算交叉熵时如果预测概率被clip到0log就炸了权重初始化不当比如用太大的标准差初始化前向传播就产生极端值优化器梯度裁剪没开梯度范数过大一更新就飞了。这个排查清单后来帮到过很多人因为它在实际训练中真的太常见了。笔试能写出这份清单至少说明有真实训练模型的经验这比背概念高一个层次。6. 从这套卷子延伸出去算法岗备考路线图6.1 知识点优先级排序做完这套卷子之后我做了一个知识点优先级排序方便后面针对性复习这里分享出来优先级第一梯队必考且分值高机器学习基础逻辑回归、SVM、决策树、朴素贝叶斯、深度学习基础CNN、RNN、反向传播、过拟合、动态规划编程题、数据处理与numpy向量化操作。优先级第二梯队隔三差五考特征工程、模型融合bagging/boosting/stacking、BN与Dropout细节、精确率召回率F1与AUC、C常见容器原理、操作系统进程线程。优先级第三梯队偶尔出现强化学习基本概念、GAN原理、目标检测模型演进、推荐系统召回排序、分布式训练参数同步。如果你准备时间只有一个月第一梯队必须全部拿下第二梯队挑重点看第三梯队了解概念即可。如果准备三个月第二梯队要覆盖第三梯队也要能说出个所以然。6.2 复盘方法如何把一套卷子用到极致网上很多同学做完一套笔试卷对完答案就扔了这是最浪费的做法。我的复盘流程比较复杂但很有效第一轮把错题对应的知识点全部摘出来写在一个文档里标注错误原因是不会、不熟、还是看错题。第二轮针对每个错题知识点找三道同类型的新题做一遍直到完全掌握。这叫“以题带点”比只看教材效率高很多。第三轮把整套卷子的所有题目按“考察能力”重新分类比如哪些考数学推导、哪些考代码能力、哪些考工程经验然后统计自己在哪类上丢分最多就知道下一阶段的重点在哪了。第四轮考前一周把错题集翻一遍重点看错误原因和时间线上的分析提醒自己不要在同一个坑里摔两次。这套复盘方法帮我在后续几次笔试里保持了很高的正确率不只是网易其他厂的笔试也受益于这种“题目驱动”的备考方式。6.3 笔试通过之后与面试的衔接准备说句实话笔试通过只是第一步网易的面试才是真正的重头戏。笔试题目里那些概念题面试时都会被追问。比如笔试考了Dropout面试会问“Dropout为什么能缓解过拟合”“训练和预测时有什么不同”笔试考了resnet的残差结构面试会问“残差连接解决了什么问题”“如果梯度消失残差是怎么缓解的”。所以笔试复盘时每道题不仅要会写答案还要多想一层如果我是面试官我会接着问什么。我当时被追问最多的是BN为什么BN层能加速收敛BN在训练和预测时行为有什么区别。这个问题在笔试里也许只占2分但在面试里可以聊十分钟。如果你只背结论而没有真正读过原始论文很容易被问住。另外还有一道题让我印象很深为什么在文本分类任务中Embedding层之后通常要接一个全局平均池化而不是直接展平。这道题考察的是对文本序列特性的理解——文本是变长的全局平均池化能处理变长输入同时保留每个词的贡献还能减少参数量防止过拟合。当时我答得不够好但面试官人很好引导我一步步分析让我意识到“为什么这样设计”比“怎么实现”更重要。这套卷子虽然已经过去很多年但它的考察框架直到今天都有参考价值。深度学习技术迭代很快但底层的数学、代码和工程能力永远是算法工程师的核心竞争力。希望这篇文章能帮你把笔试准备得更有方向感而不是盲目刷题。最后分享一个小技巧备考时把每个知识点都当成一道面试题来准备不光要懂原理还要能说清楚“为什么要这样设计”“如果不这样会怎样”。这种思维方式的训练比多刷一百道题都管用。