企业官网建设流程全解析

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：

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：

1. 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。
2. 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。
3. 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Transformer

4.1 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：

1. 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。
2. 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。
3. 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。
4. 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。
5. 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：

1. 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。
2. 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。
3. 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。
4. 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。
5. 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：

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：

1. 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。
2. 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。
3. 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。