每年七八月我的私信里就会堆满同一种问题——网易的校招笔试考什么计算机视觉方向会不会只考深度学习今年也不例外尤其是2023校招这一批很多同学拿到笔试通知后第一反应不是刷题而是慌。因为计算机视觉算法工程师这个岗位看起来像AI岗笔试却往往不按AI套路出牌看起来像开发岗又总会在选择题和简答题里埋一堆图像处理、相机模型、目标检测的细节。我见过太多简历漂亮、项目经历扎实的同学栽在了笔试这一关——不是不会做而是压根没搞懂这张卷子到底在考什么。这篇文章不押题也没法押题但我会把网易这类大厂计算机视觉算法工程师笔试的考察逻辑、题型分布、高频考点、考场策略按我这些年的经验和带人经历一次性给你拆透。不管你是刚拿到笔试通知准备临时抱佛脚还是还有一两个月才投简历想提前准备这份内容都能直接当一份笔试作战地图用。1. 先认清这张卷子——大厂算法笔试到底在筛什么人1.1 题型分布你以为考深度学习其实考的是综合能力先说一个很多人容易误会的地方。计算机视觉算法工程师的笔试绝对不是一个深度学习知识竞赛。从我了解到的近几年情况看网易这类大厂的算法岗笔试题型大致是这样一个组合单选题/多选题覆盖面非常广高等数学、线性代数、概率论、机器学习基础、深度学习基础、传统图像处理都会涉及。这部分拼的是基础扎实程度不是临场发挥。编程题通常2到3道难度梯度明显。第一道往往偏简单送分题后一两道开始上强度经常考动态规划、二叉树、图、贪心这类硬核算法和深度学习关系不大。简答题/设计题可能会有一两道让你写公式推导或者设计一个检测/分割系统的方案。这部分考察的是表达能力、工程思维以及你是否真的理解模型而不只是会调包。结合往年的规律来看计算机视觉方向的笔试题会比其他AI岗比如NLP、推荐更偏向图像底层处理和几何相关的知识点。比如相机标定、仿射变换、边缘检测算子、直方图均衡化这些内容在选择题里出现的频率相当高。这是岗位特性决定的——做CV你对图像本身的理解不能是空的。1.2 通过率逻辑笔试不是高分竞赛是底线筛查很多同学拿到笔试成绩后困惑我AC了两道题怎么还是挂了或者我感觉答得稀烂怎么反而过了这里要说一个残酷但真实的逻辑大厂笔试的通过率通常不高但它的目的不是挑出考得最好的人而是筛掉不合格的人。HR和面试官心里有一个预期线你不需要每道题都会只需要让成绩落在预期线之上。换句话说笔试更像一场底线测试——你基础够不够稳、代码能不能写对、遇到不会的题会不会合理决策。这也解释了为什么有些同学觉得自己半懵半写也能过——因为他们在关键题上的得分点踩住了。而另一些同学明明感觉每道题都写了但每个得分点都踩歪了最后反而没过。所以看这篇文章的时候请把重心放在如何稳定拿分上而不是如何把所有题都做出来。1.3 计算机视觉算法工程师和软开笔试题的区别我还被问过一个问题算法岗的编程题是不是比软开简单答案是不一定。算法岗的编程题在数据结构和算法层面通常不会像纯软开岗那么卷但有一个额外要求——它默认你的数学和机器学习基础是过关的。软开岗不会考你SVM的对偶问题推导但算法岗会。软开岗不需要你解释为什么ResNet能解决梯度消失但算法岗会。所以准备CV算法岗笔试需要两条腿走路一条腿是常规编程题的刷题能力另一条腿是机器学习和计算机视觉的理论基础。只练其中任何一条都可能翻车。2. 最容易翻车的代码题——算法岗笔试不是只考深度学习2.1 为什么计算机视觉算法工程师也要会动态规划这个问题我不知道被问了多少遍我做CV的平时写Python调框架为什么要考动态规划和二叉树我的回答一直是笔试的编程题本质上不是在考你平时写不写算法而是在考三件事——代码基本功、逻辑抽象能力、以及面对陌生问题时的应变能力。你平时调框架框架帮你把底层都封装好了但一旦遇到新问题你能不能把一个实际问题抽象成可计算的形式这就是算法题想看到的。从实际岗位角度看视觉算法工程师的工作也不只是训练模型。你会遇到数据清洗、数据增强、标签处理、推理优化、工程部署等一系列场景这些场景里对逻辑能力和代码效率的要求非常高。你不会每天都在写动态规划但如果你连动态规划都搞不定面试官会有理由怀疑你处理复杂逻辑的能力。2.2 刷题重点清单高频题型和投入产出比我自己做过总结也带过不少学生如果把算法岗笔试编程题按出现频率排个序大概是这么个结构优先级题型具体考点投入产出比高数组/字符串双指针、哈希表、滑动窗口、前缀和很高必须熟练高动态规划背包、最长公共子序列、最长上升子序列、状态机DP很高一道题能拉分高二叉树遍历、层序、重建、最近公共祖先很高代码量不大但容易出题中图拓扑排序、最短路、并查集中等偶尔出现中贪心区间问题、排序后贪心中等思维难度不低低高级数据结构线段树、树状数组、并查集变种低但遇到了很致命这个表格想告诉你的是不要盲目刷题而是优先把前三类练到闭着眼能写的程度。数组、动态规划、二叉树这三块基本能覆盖算法岗笔试里80%以上的编程题命题区间。2.3 考场写题不丢分的技巧先暴力后优化保证能跑笔试平台有一个很大的特点它只看最终结果不看你的思考过程。所以不管黑猫白猫能跑通的就是好猫。我的建议永远是拿到一道题先想5分钟有没有最优解思路如果10分钟了还一头雾水立刻转向暴力解法。暴力解可能只能过一部分测试用例但能过一部分就有一部分的分。很多同学在考场上死磕最优解把自己磕死在15分钟里到最后暴力解都没时间写这才是最亏的。另外务必注意代码风格。笔试平台一般需要你自己处理输入输出input()和print()不要写错变量名尽量不要用a、b这样的无意义命名不是强制但有些在线笔试环境的判题日志里清晰的命名能让你自查时更快定位问题边界条件必须考虑——空数组、单元素数组、溢出、负数这些往往是测试用例里的隐藏扣分点。2.4 不会做时的部分分策略我再多说一句关于部分分的事。很多人不知道在线笔试平台的评分系统通常不是全对或全错的二值判断。如果你的代码能通过一部分测试用例你是能拿到对应比例分数的。这意味着第一优先一定要让代码跑起来至少不能编译错误。第二优先暴力解法哪怕只能过30%的用例也比交白卷强100倍。第三优先如果连暴力都写不出来也要把思路用注释写在代码里。虽然不一定加分但至少不会扣分——而且万一批量平台有人工审核环节部分公司会这可能是你挽回印象分的关键。3. 选择题与简答题里的深度学习陷阱——基础概念的分数最容易丢3.1 高频考点损失函数、优化器、归一化、正则化笔试选择题里深度学习的基础概念占了很大一块。核心命题点可以归纳成几个大方向损失函数交叉熵和二分类的BCE Loss公式softmax和sigmoid的区别均方误差用在分类问题里为什么不好。这类题考查的是你是否理解损失函数的数学性质而不是只会背API。优化器SGD、Momentum、RMSProp、Adam各自的原理和区别重点在于理解动量项、自适应学习率的含义。常见考法是给一堆选项让你判断哪个说法正确比如Adam会自适应调整每个参数的学习率——对这是Adam的核心思想。归一化与正则化BatchNorm的训练和推理阶段有什么不同、L1和L2正则化对权重分布的影响、Dropout在训练和测试时的行为差异。其中BN在训练时用mini-batch的均值和方差在推理时用全局统计量是一个几乎每年都会出现的考点。反向传播给一个简单的网络结构让你手动算梯度或者问你某个中间变量的梯度是多少。这类题在笔试出现频率不高但一旦出现就能拉开差距。3.2 高频易错点感受野、参数量、维度的变化选择题中还有一类计算题最典型的就是感受野和参数量。感受野计算有一个固定公式套上去就能算R_k R_{k-1} (kernel_size - 1) * stride_accumulated其中stride_accumulated是之前所有层stride的乘积。常见的卷积参数列表比如3x3 conv, stride 2和3x3 conv, stride 1的感受野变化笔试考过多次。参数量计算更简单channels_in * channels_out * kernel_h * kernel_w加上偏置就是channels_out。但要注意深度可分离卷积、分组卷积的计算方式不同——深度可分离卷积的参数量是普通卷积的1/9对3x3卷积分组卷积是原来的1/g。这些细节选择题里很容易埋雷。3.3 简答题的答法结构化表达公式先行如果笔试题里有简答题或推导题记住一个原则不要长篇大论写作文要结构化、公式化。举个例子如果问为什么ResNet能缓解梯度消失一个清晰的回答应该是这样的结构梯度消失的本质链式法则中梯度是乘积形式当每个因子小于1时多层乘积会指数级衰减。ResNet引入恒等映射让每一层学习的是残差F(x) H(x) - x梯度回传时除了经过非线性层还多了一条捷径直接传回。数学表达∂loss/∂x_l ∂loss/∂x_L * (1 ∂/∂x_l ΣF)括号里的1保证了即使残差支路梯度很小整体梯度也不会消失。这样的回答逻辑清晰、有公式、有解释阅卷人一眼就能看出你懂。相比之下写一大堆ResNet可以解决梯度消失问题因为它有skip connection而没有公式和推导最多给个同情分。4. 计算机视觉专项考点地图——从传统图像处理到Transformer4.1 传统图像处理与特征工程笔试里最容易被忽略的盲区很多同学在准备CV算法岗笔试时只复习深度学习把传统图像处理完全丢掉了。这是一个非常危险的误区。据我了解网易这类大厂在选择题里考察传统图像处理的频率相当高因为面试官默认——你既然做视觉对图像的基本理解不能停留在调框架的层面。传统图像处理的高频考点包括图像增强直方图均衡化的原理为什么能让对比度提升本质是把灰度分布映射到更均匀的分布。边缘检测Sobel算子、Canny算子的步骤。Canny的流程高斯模糊、计算梯度幅值和方向、非极大值抑制、双阈值检测是经典中的经典。图像滤波均值滤波、中值滤波、高斯滤波的适用场景。中值滤波对椒盐噪声效果最好因为它是非线性排序统计滤波器。图像变换仿射变换、透视变换的区别。仿射变换保持平行性透视变换不一定。特征点SIFT、SURF、ORB的基本思想。SIFT为什么具有尺度不变性和旋转不变性因为它构建了尺度空间、计算了关键点主方向。ORB为什么快因为用了FAST角点检测和BRIEF描述子的组合。这些知识点看起来好像不会被单独问到但作为选择题的一个选项出现在以下哪个说法正确的题目里时如果你没见过会非常吃亏。所以准备笔试时拿出两天时间把传统图像处理的主要知识点过一遍性价比极高。4.2 目标检测、分割、跟踪的发展脉络与关键模型接下来是CV领域的核心内容——目标检测。我这里提供一个发展脉络式的记忆框架串起来背而不是逐个模型孤立背目标检测两阶段R-CNN → Fast R-CNN → Faster R-CNN。核心演进逻辑是从外部候选框选择到网络内部生成候选框Faster R-CNN的RPN网络是目前两阶段方法的基石。单阶段YOLO系列 → SSD → RetinaNet。YOLO把检测当回归问题做速度大幅提升RetinaNet的Focal Loss解决了正负样本不平衡问题。Transformer时代DETR把检测当作集合预测问题引入匈牙利算法匹配预测框和真实框后续的Deformable DETR、DINO等做了效率和精度的优化。图像分割语义分割FCN全卷积网络是开山之作U-Net的跳跃连接是关键结构DeepLab系列的ASPP模块解决多尺度问题。实例分割Mask R-CNN在Faster R-CNN基础上加了mask分支一个网络同时做检测和分割。目标跟踪经典方法卡尔曼滤波匈牙利匹配是传统多目标跟踪的核心框架Sort算法就是这一思路。外观模型与运动模型结合DeepSort引入ReID特征做外观匹配大幅减少了ID Switch。一个很可能的笔试题是给你几个模型让你排序哪个是检测、哪个是分割、哪个是跟踪或者问以下哪个模型中的哪个模块解决的是什么问题。这种题的得分关键就是脉络清晰能说出关键模块的作用。4.3 结合业务场景的开放题工程思维是加分项笔试的最后偶尔会出现一道偏开放的设计题比如设计一个手机端的人脸检测系统如何在工业质检场景中检测产品表面缺陷。这类题目没有标准答案但考察的是你的工程判断力。我的建议是回答这类题时不要一股脑堆模型而要分层作答问题定义输入是什么、输出是什么、精度和速度的指标是什么。数据层面需要哪些数据、标注策略是什么、数据增强怎么做、正负样本比例如何控制。模型选型为什么选轻量级模型如MobileNet、YOLOX-Nano而不是大模型算力约束是什么。工程部署怎么压缩剪枝、量化、推理框架是什么、如何保证稳定运行。评估与迭代离线指标用什么、线上如何验证、失败case怎么分析。哪怕你的方案不是最优的只要你展现出从数据到模型到部署的完整思考链路这道题的得分就不会低。相反如果只写用YOLOv5训练一下就行基本等于放弃这道题。5. 三道典型题复盘——笔试的解题节奏怎么把握5.1 典型题一一道数学机器学习基础的选择题题目类型示例已知样本中有1%的人是患病者检测试剂的准确率是99%即患病者检出阳性的概率为99%健康者误检为阳性的概率为1%。如果一个人检测结果为阳性他真正患病的概率是多少这是一道典型的贝叶斯公式应用题套路很固定P(患病|阳性) P(阳性|患病) * P(患病) / P(阳性) 0.99 * 0.01 / (0.99 * 0.01 0.01 * 0.99) 0.5做这类题关键是有清晰的公式推导过程而不要凭直觉猜。很多同学第一感觉是准确率99%那患病概率不也接近99%吗——这就是典型的忽略先验概率的直觉错误。笔试考察这道题根本不在于你会不会算而在于你能不能识别出这是贝叶斯公式并且算对。识别错了后面全完。5.2 典型题二一道看似复杂但可以用暴力解法兜底的编程题题目类型示例给定一个数组返回所有和为target的三元组不重复。这道题如果你知道排序双指针可以在O(n^2)时间内解决。但如果你考场上一下子卡住了怎么办先暴力三层循环遍历所有组合O(n^3)能过一部分用例。然后把去重用set包一下避免重复三元组。这样起码能拿到大部分分数。笔试的残酷之处就在这里会的人10分钟AC不会的人卡半小时后连暴力都没写完。所以复盘这道题的目的就是提醒你——在考场上最先要确保的是有一个能跑的程序而不是有一个完美的程序。如果你有刷题基础但不够熟练这个策略尤其重要。5.3 典型题三一道CV开放设计题题目类型示例请设计一套快递包裹破损检测系统用于传送带上的实时质检要求在保证准确率的前提下尽可能降低成本。如果遇到这道题我会这样组织答案问题拆解检测对象是破损这个异常状态判断维度可以是外观凹陷、外包装撕裂、液体泄漏等。实时性要求是关键约束。数据方案正常包裹图片多、破损包裹图片少需要重点解决小样本问题。可以用正常样本做自监督预训练异常检测用重建误差如AutoEncoder框架或者用少量破损样本做二分类微调。模型选型传送带场景对实时性要求高首选轻量级检测模型比如YOLOX-Nano或在MobileNetV3 backbone上接一个简单的分类头。如果只需要判定有无破损而不需要定位直接图像分类即可。工程落地剪枝INT8量化把模型压到几MB级别推理框架可以用TensorRT或ONNX Runtime在边缘设备上跑实时推理。评估体系准确率、漏检率、误检率以及每小时处理量。破损检测中漏检比误检严重得多所以要重点关注漏检率必要时通过提高置信度阈值或加一道人工复检来兜底。回答这类题核心是让面试官看到你不是只会列模型而是真的想过怎么让它在实际场景里跑起来。这就是工程思维和算法功底的差距所在。6. 从试卷结构反推考场策略——时间怎么分配哪些题果断弃6.1 各题型时间分配建议根据我了解的历年笔试情况CV算法岗笔试的时长一般是120分钟到150分钟之间题量在20到30道选择题加上2到3道编程题。我给你的建议时间分配是这样的题型建议时间策略选择题40-50分钟每道题不超过2分钟不会的立刻标记跳过别恋战编程题115-20分钟目标是AC这是送分题必须拿下编程题225-30分钟尽力AC卡住马上退化为暴力解法编程题320-30分钟先读题没思路的话直接暴力拿部分分简答题/设计题15-20分钟写结构、公式、关键步骤不需要写完完整代码但逻辑要清楚总的原则只有一句话不要让任何一道题消耗你超过30分钟。30分钟做不出来的题再给你30分钟大概率还是做不出来而这段时间如果用来检查已经做完的选择题或者给编程题的暴力解法收尾收益会高得多。6.2 笔试平台的常见坑输入输出、编译环境、格式问题再提醒几个技术层面的坑每年都有同学挂在上面输入输出格式题目要求多行输入还是单行输入整数之间用空格还是换行分隔末尾是否有空行一定要先看题目给的样例按样例格式来。有些同学算法写对了但解析输入写错了直接0分。语言环境确认平台支持哪些语言。如果是Python要注意版本是2还是3现在基本是3了如果是C注意是用GCC还是MSVC这涉及到一些编译特性的差异。不要打印多余的调试信息在平台提交代码时所有print输出都会被当作答案的一部分。调试时可以用但提交前必须删掉。6.3 考前一周做什么高频题手速训练和易错点清单最后一周我不建议你再学新知识了。这时候最应该做的是三件事手速训练每天固定在平台上刷3到5道题限定时间完成模拟真实笔试的节奏。重点刷数组、动态规划、二叉树这三个高频方向保持代码手感。过易错点清单把上一节提到的那些公式贝叶斯、感受野、参数量、BatchNorm训练推理差异写在一张纸上考前过两遍。这些考点是背了就能对的送分题丢分太可惜。模拟一次完整笔试找一个完整的两小时按真实笔试的题量和时间分配完整地做一套模拟题。目的不是测你能考多少分而是测试你的时间管理能力——哪类题你要花多久、哪类题你会卡壳、卡壳后多久决策放弃。我个人带人的经验是做过完整模拟的同学真实笔试的发挥普遍比纯刷题的同学稳定得多。因为笔试不仅是知识测试更是一场心理战提前适应节奏会让你的焦虑水平降一个等级。另外再分享一个小技巧笔试前把常用代码模板提前写熟比如二分查找的边界写法、二叉树DFS/BFS模板、并查集的模板、快速幂模板。这些代码几乎是算法题里的万金油你在考场上不需要现场思考模板细节直接默写出来就能省下大量时间用在核心逻辑上。很多时候笔试的差距不是智商差距而是准备充分程度的差距。