网易2023校招CV岗笔试复盘：核心考点与备考策略

网易2023校招笔试的计算机视觉算法工程师岗位我是在秋招群里看到有人提起才去关注的当时第一反应是终于有一家大厂把CV岗的笔试单独拎出来出题而不是和通用后端开发混在一张卷子里。后来真正做完这套题才发现它的考察思路和常见的LeetCode刷题模式差别很大很多知识点考察的是“你知道这个算法为什么成立”而不是“你能默写出这个算法的代码”。这篇就结合我自己的备考和实测复盘把这场笔试涉及的知识模块、容易踩的坑、以及我当时是怎么针对性准备的一次性说清楚。文章会比较长建议先收藏再慢慢看尤其是明年准备冲大厂CV岗的同学。1. 笔试全景这场考试到底在考什么网易的校招笔试向来以“量大、面广、结合业务”著称计算机视觉算法工程师这场也不例外。整场考试大概120分钟题量在40道左右包含单选题、多选题和两道编程题覆盖范围横跨数据结构与算法、机器学习理论、深度学习基础、图像处理、目标检测与分割等方向。和纯算法岗的笔试不同CV岗的题明显更偏向“图像和模型”很多题目如果只刷LeetCode和《剑指Offer》是做不出来的。我当时拿到卷子先快速扫了一遍第一个感受是基础算法题占比不低但考察方式更刁钻。不是直接让你手写快排或者反转链表而是给出一个场景问你某种数据结构在这种场景下是否适用或者给出一个算法的时间复杂度让你判断它在某个数据规模下能不能跑完。这种题其实比手写代码更能区分“背过答案”和“真正理解”。第二个感受是机器学习和深度学习的理论题占到了三分之一以上。从SVM的核函数选择到交叉熵损失函数的梯度推导再到Batch Normalization在训练和推理时的行为差异都有涉及。这部分如果你只是会用PyTorch调接口没有系统学过花书和西瓜书做起来会非常吃力。第三个感受是图像处理和传统CV的知识点一个都没少。图像的傅里叶变换、边缘检测的几个算子、直方图均衡化、颜色空间的转换这些图像处理课上的老知识点全部登场。我当时看到这些题还挺庆幸因为很多同学准备校招时只顾着深度学习把传统CV这块扔掉了结果在笔试里吃了大亏。如果要用一句话概括这场笔试的筛选逻辑我的判断是它不要求你在某一个方向上钻研到顶但要求你在“计算机视觉工程师”这个岗位所需的知识面上没有明显短板。图形学、数值优化、概率统计、信号处理这些看似边缘的领域都可能在某道题里出现而这恰恰是平时刷题时最容易忽略的。2. 数据结构和算法基础被反复翻牌的高频考点不管岗位多垂直数据结构与算法始终是校招笔试的压舱石。网易这场笔试的算法题占比大约在25%到30%难度介于LeetCode Medium和Hard之间但出题角度比LeetCode更灵活。2.1 字符串匹配与KMP算法不只是背代码字符串匹配这块KMP算法几乎是被反复翻牌的存在。热词里也提到了一道典型题对于模式串pabacaba要求计算其next数组。这道题几乎是送分题但很多同学在考场上还是会算错原因在于没有理解next数组的语义边界。题目里特别注明了next[i]的定义方式不同教材对这个数组的定义有细微差别。有的定义是“当前字符之前的子串的最长相等前后缀长度”有的定义是“包括当前字符在内的最长相等前后缀长度”两者在具体数值上会偏移一位。我建议备考时固定采用一种定义并反复练习考场上再根据题目标注快速调整不要临场去推。以abacaba为例如果用“不包括当前字符”的定义计算过程是next[0] -1或0取决于定义next[1]前缀a没有真前后缀0next[2]前缀ab最长相等前后缀0next[3]前缀aba最长相等前后缀a1next[4]前缀abac0next[5]前缀abaca1anext[6]前缀abacab2ab如果你的答案和这个不一样大概率是定义方式理解偏差。KMP的核心价值在于当模式串很长、匹配失败时能够利用已匹配部分的信息避免文本串指针回退。笔试中出现这个考点说明他们默认你具备这个基础能力因为实际业务中字符串匹配在文本检测、OCR后处理等任务中经常要用到。2.2 排序与贪心经典但不简单排序算法也是必考题从冒泡排序的稳定性和时间复杂度到堆排序的建堆过程再到快速排序在有序输入下的退化问题属于“人人都知道但未必说得清”的知识点。我特意提醒准备笔试的同学别以为排序简单就不看。网易的单选题喜欢在排序算法的稳定性上做文章。比如“以下哪个排序算法是不稳定的”选项里放快排、堆排、归并、插入如果你只记得“快排不稳定”但说不清为什么堆排也不稳定这道题就悬了。堆排序的不稳定性来源于堆调整过程中父子节点的交换可能改变相同元素的相对位置这个细节我在复习时差点漏掉。贪心算法也是高频考点。笔试里常见的贪心题包括区间调度、活动选择、哈夫曼编码等。考场上遇到贪心题最重要的一步不是写代码而是先证明贪心策略的正确性。我习惯用“贪心选择性质最优子结构”两层逻辑快速判断如果每一步的局部最优选择不会影响后续的最优选择并且全局最优解包含当前局部最优选择那就可以用贪心。比如区间调度问题按结束时间最早排序就是标准的贪心策略因为结束早的区间能给后面的区间留出更多空间。2.3 动态规划与字符串编辑距离常见模型的变体动态规划在笔试中基本是压轴编程题的主力。网易CV岗的编程题没有出那种一眼就能看出的标准DP题而是包装了一层业务背景。比如有一道题和“图像区域相似度计算”相关本质上就是编辑距离的变体但如果没看穿这层外衣很容易被冗长的题干绕晕。我的备考经验是把常考的DP模型分门别类地整理线性DP、区间DP、背包DP、树形DP、状态压缩DP、数位DP。每个模型挑两三道代表题做透理解状态转移方程是怎么来的而不是机械记忆。尤其是编辑距离类问题因为它在自然语言处理、OCR纠错、基因序列比对等领域都有应用是网易这类互联网公司偏爱的出题方向。关于DP的优化我也多说一句考场上先写出O(n^2)的版本再考虑是否能用滚动数组、单调队列、斜率优化等手段降复杂度。不要一上来就想着写最优解先保证正确性再谈效率。笔试环境下的时间压力很大过度追求最优解导致代码没写完比用次优解拿部分分更可惜。3. 机器学习算法理论从原理到推导机器学习理论在笔试中的权重非常高我粗略统计了一下大概占了25%到30%。这个比例在CV岗笔试里不算意外因为计算机视觉工程师不仅要会训模型还要理解模型底层的数学原理这样才能在效果不好时找到优化方向。3.1 SVM与核函数经典中的经典SVM几乎是机器学习理论题的必考内容。从硬间隔到软间隔从对偶问题到核函数每个环节都能出题。网易的题目风格不是让你背诵概念而是给出一个具体场景让你选择合适的核函数或者判断某个核函数是否有效。我记得有一道题是问“当训练样本线性不可分时以下哪个处理方式最合理”选项包括换用多项式核、换用RBF核、增加惩罚参数C、对特征做归一化。正确答案是多选但很多人只选了换RBF核漏掉了增加惩罚参数C。这是因为软间隔SVM允许部分样本被错误分类增大C能减少这种容忍度从而在训练集上表现得更好虽然可能带来过拟合风险。核函数的选择逻辑也得理清楚线性核适合高维稀疏特征多项式核适合特征之间存在交互的情形RBF核是默认选择因为它能逼近任意决策边界但需要调好gamma参数。gamma过大会导致决策边界过于复杂过小则导致欠拟合。备考时我建议亲手用sklearn跑几组不同gamma值的实验观察决策边界的变化这样记忆远比背书深刻。3.2 损失函数与优化方法交叉熵和梯度下降损失函数是模型训练的目标函数也是笔试喜欢考察的知识点。交叉熵损失函数在分类任务中应用最广它的梯度形式非常简洁softmax后的预测值减去one-hot标签。这个推导过程几乎每年都有学校在面试里问网易笔试则以选择题形式出现——给出几个梯度表达式让你选择正确的一个。如果你还没推过我建议自己推一遍L -Σ y_i * log(p_i)其中p_i softmax(z)_i对z_j求偏导会得到∂L/∂z_j p_j - y_j。这个简洁的结果是反向传播能够高效实现的基础。我在复习时把这个推导在草稿纸上完整写了几遍直到不需要看笔记也能从头推出来。优化方法方面批量梯度下降、随机梯度下降、Momentum、RMSProp、Adam这几种算法需要掌握它们的迭代公式和各自解决的问题。Adam为什么能自适应学习率因为它分别维护了一阶动量梯度均值和二阶动量梯度平方的均值每个参数的学习率会根据自己的历史梯度大小动态调整。这个知识点经常在选择题里出现考察你得是“理解”而非“听说”。3.3 聚类与降维Unsupervised Learning的地基聚类算法也是高频考点尤其是K-Means和DBSCAN。K-Means里最容易出题的是“如何选择K值”和“初始中心点的影响”肘部法则、轮廓系数这些概念都要知道。DBSCAN的考点集中在参数epsilon和min_samples对聚类结果的影响以及它和K-Means相比的优势——能识别任意形状的簇并自动处理噪声点。降维方面PCA和t-SNE是常客。PCA的核心是通过特征值分解找到方差最大的投影方向做题时需要知道它和SVD的关系、如何选择主成分数量通常看累计方差贡献率。t-SNE则要理解它主要用于可视化因为它的计算复杂度较高不适合大规模数据降维。这类题的特点是给你一个业务场景问你选哪个算法。比如“有十万张商品图片想对它们做无监督聚类要求能处理不规则形状的簇应该选什么”答案应该是DBSCAN而不是K-Means因为后者强假设簇是凸的。平时复习时多问自己“这个算法的假设条件是什么”“什么时候它不适用”考试时就能快速定位答案。4. 深度学习基础从卷积到Transformer深度学习是计算机视觉工程师笔试的重头戏网易这场笔试中深度学习相关题目占比接近40%。考察范围包括神经网络基础、CNN结构、目标检测、图像分割、网络优化技巧等。4.1 卷积神经网络基本操作与感受野计算CNN的基础知识必须打得非常牢。首先是卷积操作本身输入特征图的尺寸、卷积核大小、填充、步长之间的关系公式(H - k 2p) / s 1这是必考题几乎每场笔试都会出现。然后是感受野的计算我见过一道真题一个两层3x3的卷积网络它的感受野是多少答案是5x5因为第一层卷积的感受野是3x3第二层卷积在第一层的基础上扩展了2个像素。这个计算如果没理解透换成膨胀卷积、多层网络就很容易算错。池化层的作用也是高频考点。最大池化和平均池化的区别、池化层为什么能提供平移不变性、为什么池化层没有参数需要学习这几个问题都要能脱口而出。我当时给自己做了一个小表格把卷积层、池化层、全连接层、BN层各自的参数量、计算量、作用整理在一起考前最后一天只看这张表。4.2 经典网络结构ResNet和它的设计哲学ResNet是深度学习笔试的“亲儿子”几乎必考。主要考点包括为什么加深网络会导致退化问题不是过拟合而是优化困难残差连接为什么能解决这个问题提供了恒等映射的捷径让梯度可以更容易地回传以及ResNet中1x1卷积的作用降维和通道变换。还有一道很经典的题是“ResNet50里的50指的是什么”答案是“包含卷积层和全连接层的总层数为50层”而且需要注意计算方式——ResNet50并不是真的有50个卷积层而是按特定规则统计的。这种细节题如果没有专门准备过很容易丢分。Transformer在近年笔试中的出现频率显著上升。自注意力机制的计算过程Q、K、V矩阵的生成、点积缩放、softmax、加权求和、多头注意力的含义、位置编码的作用、为什么Transformer适合并行计算这些都是新晋考点。我在备考后期特意把Attention Is All You Need的原文翻出来精读了一遍虽然读起来费劲但对理解这些考点的帮助非常大。4.3 目标检测与分割从两阶段到单阶段再到无锚框目标检测是CV岗的核心业务方向网易笔试里这部分题量不小。两阶段检测器的代表是Faster R-CNN它通过区域建议网络RPN生成候选框再对每个候选框进行分类和回归。单阶段检测器的代表是YOLO和SSD它们直接回归物体类别和位置速度快但精度略低。笔试常见的考察方式是给出一张检测结果图问你某些边界框是FN还是FP或者问你Faster R-CNN中RPN的锚框是如何设置的。这些知识光看书不够我建议实际跑一下开源的检测项目看一遍推理代码中锚框的生成逻辑和NMS的实现过程印象会深很多。图像分割方面FCN是深度学习语义分割的开山之作它把全连接层换成卷积层从而接受任意尺寸的输入。U-Net的U形结构和跳跃连接Skip Connection是医学图像分割的标配。Mask R-CNN则是在Faster R-CNN的基础上增加了掩码分支做到检测、分类、分割一箭三雕。笔试时经常问这几种网络的异同备考时最好整理一个对比表格。关于损失函数的细节也容易被考到目标检测中常用的Smooth L1 Loss为什么比L2 Loss更稳定因为L2 Loss在误差较大时梯度也大容易导致训练震荡而Smooth L1在误差较大时梯度恒为常数更稳健。这些“为什么”比“是什么”更重要因为选择题的选项往往就是针对这些细节设计的。4.4 模型优化与训练技巧Batch Normalization和正则化Batch Normalization在训练和推理阶段的差异是高频考点。训练时BN使用每个mini-batch的均值和方差做归一化推理时则使用训练阶段累积的全局均值和方差。这个差异如果没搞清楚部署模型时很容易踩坑。正则化方面L1和L2正则化的区别必须清晰L1产生稀疏解把不重要的权重推向0适合做特征选择L2让权重整体变小但不产生精确的0适合防止过拟合。Dropout的原理是训练时随机丢弃一部分神经元相当于训练了多个子网络的集成推理时保留全部神经元但乘以保留概率以保证期望输出不变。我在备考时把这类技巧都放进了一个“为什么有效”的思维框架里效果比死记硬背好得多。比如数据增强为什么有效因为它相当于扩充了训练数据的多样性等价于一种正则化手段。学习率衰减为什么有效因为训练后期需要更小的步长在损失函数的局部最小值附近精细搜索。任何技巧只要能回答“它解决了什么问题”考试时不管怎么变形都能应对。5. 图像处理与信号处理传统CV知识不能丢在深度学习铺天盖地的今天很多人准备CV岗笔试时把传统图像处理整个跳过了这是个巨大的误区。网易这场笔试里图像处理相关的题目大约占15%而且考查得非常细致。5.1 边缘检测算子Sobel、Laplacian和Canny边缘检测是图像处理最基础也最高频的考点。Sobel算子是一阶导数的近似通过计算图像灰度在水平和垂直方向的梯度来检测边缘Laplacian算子是二阶导数算子对噪声敏感所以通常先做高斯平滑再使用Canny算子则是综合了高斯滤波、梯度计算、非极大值抑制、双阈值检测的完整边缘检测流程效果最好。笔试经常出这种题给你一个3x3的像素块问经过某个算子卷积后的输出是多少。这种题没有任何捷径只能老老实实把卷积核和像素值逐项相乘再求和。平时练习时要多写几遍保证考场上计算不出错。还有一道我印象很深的题为什么Canny边缘检测要用双阈值答案是低阈值用于边缘连续性检测高阈值用于确定强边缘中间阈值用于连接边缘这种策略能有效减少噪声造成的假边缘同时保持边缘的连续性。5.2 直方图均衡化与颜色空间直方图均衡化是为了增强图像对比度核心思想是把原始图像的灰度直方图从可能比较集中的分布变成近似均匀分布从而扩展灰度值的动态范围。笔试中常见的选择题是“直方图均衡化后图像的哪种属性发生了变化”答案是灰度分布和对比度而不是分辨率或尺寸。颜色空间转换也是常考点。RGB转灰度是加权平均Gray 0.299R 0.587G 0.114B这个系数不是随意定义的而是根据人眼对不同颜色的敏感度设计的。HSV颜色空间把色相Hue、饱和度Saturation、明度Value分离在图像分割任务中经常用来按颜色提取目标区域因为RGB空间下颜色受光照影响较大而HSV空间的H分量对光照变化相对鲁棒。5.3 图像傅里叶变换从空域到频域图像的傅里叶变换属于很多人的知识盲区但网易笔试真的考了。高频分量对应图像中灰度变化剧烈的部分比如边缘和噪声低频分量对应灰度变化平缓的部分比如背景和物体内部。低通滤波能平滑图像、抑制噪声代价是边缘变模糊高通滤波能提取边缘、锐化图像代价是放大噪声。为什么图像锐化的拉普拉斯算法有效因为拉普拉斯算子是二阶导数算子它能突出灰度突变的位置把原始图像加上拉普拉斯变换的结果相当于增强了边缘区域的对比度让图像看起来更锐利。这个我在备考时还专门用OpenCV做了一组对比实验看不同核的锐化效果理解一下子就到位了。5.4 图像缩放与插值算法图像缩放也是高频考点。最近邻插值、双线性插值、双三次插值三种方法的原理和效果对比是选择题的最爱。最近邻插值简单快速但会产生马赛克效应双线性插值利用相邻的4个像素做加权平均效果较平滑双三次插值利用周围16个像素做三次插值效果最好但计算量也最大。这里有个容易错的细节双线性插值不是非线性操作它本质上是线性操作。因为插值系数只取决于目标位置和源图像坐标的相对偏移不取决于像素值本身。有些题会在这个点上设陷阱说双线性插值因为名称中有“双”字所以是非线性变换——完全错误。6. 代码题实战从审题到提交的完整策略网易笔试的两道编程题通常在整套试卷的末尾分值占比大约20%。编程题和前面的客观题不同它考察的不只是知识点更是代码实现能力和问题拆解能力。6.1 审题是第一生产力我在模拟笔试时发现一个规律很多代码题没做出来不是不会做而是没读懂题。网易的编程题偏好把算法包装在一个业务场景中题干往往很长包含大量背景信息。比如一道动态规划题可能被包装成“图像拼接的最优切割路径”一道最短路径题可能被包装成“多目标跟踪中的数据关联”。我的审题步骤是先读最后一段通常包含输入输出说明和样例再回头读题干找关键词。输入输出说明能让我快速确定数据结构、输入范围和数据规模从而推测期望的时间复杂度。比如n 10^5就意味着O(n^2)的算法大概率会超时需要思考O(nlogn)或O(n)的解法。数据规模这个信息极其重要很多同学忽略了它。看到n 20可以直接用状态压缩DP或暴力枚举看到n 1000可以用O(n^2)的DP看到n 10^5就需要二分、堆、滑窗等优化思路。这是考场上的第一道选择题选错了方向后面写代码就是在浪费时间。6.2 从暴力到优化先保证能跑通我个人的做题习惯是拿到题先花5分钟确定算法方向然后立刻开始写一个最直接的版本哪怕是暴力解。笔试不像面试没人看你的过程只有最终的提交结果。暴力解能拿到部分分数而一个没写完的“最优解”只能得0分。举个例子如果一道题用滑动窗口最优但你一时没想清楚窗口的维护逻辑可以先写一个O(n^2)的两层循环保证正确性然后再尝试优化成O(n)。至少暴力解能通过部分测试用例拿到它该拿的分。写完代码后我建议用题目给的样例自测一遍再构造几个边界情况测试空输入、只有一个元素、所有元素相同、数据量最大。这些边界测试能抓住大部分隐藏的bug。在笔试环境下代码提交前跑一跑样例能显著提高通过率。6.3 常用算法模板的考场默写校招笔试的题量很大留给编程题的时间通常只有40到60分钟。想在这么短的时间内完成两道题单纯靠当场想是不够的。我建议备考后期把以下算法模板练到“肌肉记忆”级别看到题目类型就能条件反射地写出框架二分查找模板包括寻找左边界和右边界的变体并查集模板含路径压缩和按秩合并二叉树遍历模板前序、中序、后序、层序拓扑排序模板Kahn算法和DFS实现最短路径模板Dijkstra优先队列版本排序算法快排、归并、堆排的手写版本字符串匹配KMP的next数组和匹配过程这些模板之所以如此重要是因为它们几乎是所有复杂算法题的“积木”。笔试时先写出模板框架再根据题目要求修改判断条件比从零开始写要快很多也更不容易出错。7. 备考经验与高频错题复盘我的踩坑记录这部分是我最想分享的内容。我在备考网易这场笔试时前后做了三套模拟题整理了一份错题本总结出了几个反复出现的丢分点。7.1 知识点覆盖不均衡遗漏传统图像处理我第一次做模拟题时图像处理部分的正确率只有50%。原因很直接我备考时60%以上的时间都在刷深度学习相关的内容传统图像处理基本靠本科课程的残留记忆。后来我专门花了三天时间把冈萨雷斯的《数字图像处理》重点章节过了一遍配合OpenCV代码实操才把这个短板补上。我的建议是备考CV岗笔试知识面的优先级高于知识深度。深度学习考得很深的人可能在传统CV上翻车图像处理学得扎实的人也可能在Transformer上丢分。最佳策略是做一个知识覆盖度的自查表逐项打勾优先补最薄弱的模块。7.2 追求代码AC忽视了理论基础我有段时间沉迷刷LeetCode觉得编程题能AC就万事大吉。后来做了一套网易模拟卷才发现编程题在整张卷子里的分值才20%其余80%都是客观题。客观题考的是理论基础这和刷题是两套完全不同的准备路径。备考后期我把重心调整为“白天刷基础知识晚上练编程题”早上和下午看西瓜书、花书、图像处理的重点章节晚上用两个小时刷LeetCode保持手感。这个方法支撑我走完了整个校招季个人觉得效果不错推荐参考。7.3 算法题只看不写以为自己会了其实不会很多算法题看着答案觉得自己完全懂了合上笔记自己写一遍却发现漏洞百出。比如快排的边界条件、Dijkstra算法中优先队列的更新时机、KMP的next数组求法这些细节如果不亲手写一遍考场上一紧张就容易出错。我在备考时给自己立了个规矩任何算法题必须不看笔记独立写一遍并在本地运行通过才算真正掌握。刷题的量不必追求过多但每一道题都要留下手写的痕迹。7.4 忽视计算题手算能力同样重要网易的笔试是全线上进行的但不代表不用手算。卷积输出尺寸、感受野大小、参数量计算、算法时间复杂度这些都需要在草稿纸上快速算出结果。我建议平时练习时多用手算而不是依赖代码尤其是卷积输出尺寸和感受野的计算练到心算也能快速得出答案的程度考场上能节省不少时间。8. 写在最后给准备校招的同学的几句实在话网易2023校招笔试这套卷子从题型设计和知识点覆盖来看想在计算机视觉算法工程师这条路上走稳光会训练模型是不够的基本功和底层原理才是拉开差距的关键。算法、机器学习、深度学习、图像处理四座大山缺一不可每一座都需要踏踏实实啃下来。我知道备考的日子很难熬知识点又多又杂经常觉得记了这个忘了那个。但校招笔试本质上是“筛掉准备不足的人”不是“筛掉不够聪明的人”。只要你对每个考点的“为什么”有真正理解考试的时候哪怕遇到没见过的新题也能根据基本原理推导出答案。最后再分享一个小技巧每套笔试做完之后别急着对对答案就完事把错题按“知识点模块”归类整理。考前两三天只看错题本和知识框架图不再开新题。这种复习方式的效率比无脑刷新题高出一大截。祝准备校招的你笔试顺利拿到心仪的offer。