说一下我的初步判断，这份“网易2018校园招聘计算机视觉算法工程师笔试卷”虽然已经过去几年，但它的考点结构在校招CV算法岗里非常典型：数据结构与算法、机器学习/深度学习基础、图像处理与CV专项，再加上两道编程题。我当初备考时把这类试卷反复拆过好几轮，也踩过不少坑，今天就把这套卷子背后真正想考察的东西、每类题型的准备思路，以及我个人的答题策略整理出来。不管你是正在投2025届秋招，还是打算转行做CV算法，这份拆解应该都能帮你省下不少瞎摸索的时间。
这份试卷的难度，说实话不算最变态的那一档，但覆盖面很广，而且喜欢在基础细节上做文章。很多人复习时只盯着CNN和目标检测，结果一上来就被字符串匹配或者概率题打懵。下面我按考卷常见的模块顺序，一个个拆开讲。
1. 先看清这张卷子在考什么：考点分布与出题逻辑
1.1 一场笔试背后的岗位能力模型
大多数校招笔试不是真的想让你在几十分钟内做出一个完整项目，它更像一个“信号筛选器”。网易这场笔试面向的是计算机视觉算法工程师，那么这个岗位日常要做什么？读论文、复现模型、调bug、处理数据、优化推理速度，偶尔还要写点工程代码。对应到笔试卷上，就会出现三类交叉考察：
- 基础编程能力：用代码解决具体问题，考察的是你写代码的熟练度和边界处理能力。
- 算法思维与数学功底：考察你理解模型原理的深度，而不是只会调包。
- CV专业深度：考察你对图像特征、卷积网络、目标检测这些方向的掌握程度。
这三块在试卷里不是均匀分布的，通常编程题占30%到40%，基础算法和数学选择填空占30%左右，CV专项占剩下的部分。所以你会发现，光会深度学习是不够的，数据结构和概率统计那块一旦丢分太多，总分直接拉胯。
1.2 从热搜题看笔试命题的四个层次
我在准备这份试卷时，同步看了很多相关的热搜词和讨论帖，比如“在KMP算法中对于模式串p=abacaba其next数组”“图像锐化的拉普拉斯算法”“Sobel算法”“快速幂算法C++”等等。这里其实藏着笔试命题的四个层次：
第一层是“背概念”。比如KMP算法、KD树、SIFT特征这些名词，你得知道是什么。但笔试很少直接问“什么是KMP”，它通常会丢给你一个具体模式串，让你写出next数组。
第二层是“推过程”。你不仅要记住结论，还得能在纸上一步步推演。比如给定模式串，手动计算next数组；给定一组数据，走一遍堆排序调整过程。这一层刷掉很多人，因为平时都靠IDE跑，不太习惯手推。
第三层是“写代码”。给你一个题目描述，要求在限定时间内写出可运行的代码，并处理边界条件。这层考察的就是真实工程能力了。
第四层是“综合设计”。比如“如何设计一个数据增强策略来提升小目标检测精度”，这种开放题没有标准答案，但能看出你的知识广度和工程经验。
明白这四个层次之后，复习就有的放矢了。接下来我们按模块逐个过。
2. 通用算法题：数据结构与经典算法的必拿分项
2.1 字符串匹配与KMP：next数组不是背出来的
当年网上不少人吐槽，说这份试卷里出现了KMP相关的题目，甚至有人直接拿着模式串“abacaba”问next数组。其实KMP在算法工程师笔试里出现频率非常高，原因很简单：字符串处理是日常写代码的基础，而KMP又是考察“如何优化暴力解法”的经典模型。
KMP的核心思想是当匹配失败时，利用已经匹配的部分信息，让模式串尽量多往后跳，而不是每次只移动一个字符。这个“已经匹配的部分信息”就是next数组。很多教材直接给公式，搞得大家只能硬背，但只要你理解了一点，就不需要背：
next数组记录的是“当前字符之前的子串中，有多长的相同前缀后缀”。注意，是“之前”，通常不包含当前字符本身，具体看题目定义。以“abacaba”为例，我手把手推一遍：
- 规定next[0] = -1（也可以是0，看题目约定，网易常用的版本里next数组从-1开始）。
- i = 1，字符是b，它之前的子串是"a"，没有真前缀后缀相同，所以next[1] = 0。
- i = 2，字符是a，之前的子串是"ab"，前缀后缀没有相同，next[2] = 0。
- i = 3，字符是c，之前的子串是"aba"，最长相同真前缀后缀是"a"，长度为1，next[3] = 1。
- i = 4，字符是a，之前的子串是"abac"，没有相同前缀后缀，next[4] = 0。
- i = 5，字符是b，之前的子串是"abaca"，最长相同前缀后缀仍然是"a"，长度为1，next[5] = 1。
- i = 6，字符是a，之前的子串是"abacab"，最长相同前缀后缀是"ab"，长度为2，next[6] = 2。
所以你最终得到next数组：[-1, 0, 0, 1, 0, 1, 2]。如果题目约定next[0]=0，那所有值整体加1即可。
这里有个实战技巧：笔试时如果时间紧，千万别去回忆模板，你就在草稿纸上把前缀后缀列出来，一个个比，虽然慢，但准确率极高。KMP的代码模板可以背，但next数组的计算过程一定要会手推，因为选择题里肯定会给一个具体字符串。
2.2 排序与贪心：高频但不白给
排序算法在笔试卷里几乎是必考的。热搜词里有“冒泡排序算法C++”“堆排序算法”“数据结构排序算法”，这说明大家都关注。但笔试不会直接让你写个冒泡排序就完事，它经常这样考：
- 给出一个初始序列，问快速排序第一趟划分后的结果。
- 问堆排序建堆之后，数组长什么样。
- 问哪些排序算法是稳定的，哪些不稳定。
我印象比较深的是堆排序。很多人觉得堆排序不就是建堆加调整吗？但手写的时候很容易搞混“建堆”和“调整”的区别。我自己的记忆方法是：建堆是从最后一个非叶子节点开始，从下往上调整；排序的时候，是把堆顶和末尾交换，然后从上往下调整，每次调整的范围减一。拿一个具体序列，比如[4, 10, 3, 5, 1]，建大顶堆的过程就是先调整节点10（最后一个非叶子），然后调整根节点4，最终得到大顶堆。这个过程你一定要自己动手画几遍，光看是记不住的。
贪心算法也经常出现，但多半不是独立大题，而是结合其他算法考，比如区间调度、哈夫曼编码、最小生成树。贪心题的难点在于证明“贪心策略是对的”，笔试一般不用严格证明，但你要能解释为什么这样贪心是合理的。比如安排会议室，每次选结束时间最早的，这个策略为什么最优？因为结束时间越早，留给后面的活动空间越大。这种直觉解释就够了。
2.3 快速幂、二分图匹配等进阶套路
再聊几个热搜里出现的进阶算法，它们不一定每次都考，但一旦考了，就是区分度最高的题。
快速幂几乎属于必考点，因为它太适合出成编程题了。题目可能是“计算x的n次方并对p取模”，看起来简单，但如果n很大，暴力循环肯定超时。核心思路是二分：把x的n次方拆成x的(n/2)次方的平方，递归处理。这里有个小坑：n为负数时，需要先转成正数处理，最后取倒数；另外n可能很大，要用long long。
二分图匹配的HK算法也在热搜里，可能和网易某道题有关。说实话，校招笔试里考HK算法有点超纲，但如果题目描述里出现了“配对”“最小点覆盖”这类关键词，你要能反应过来是二分图匹配问题。这种题通常选手写匈牙利算法就够了，HK是进阶优化，笔试时间有限，不建议优先学。
我的建议是：这类进阶算法，你至少要能熟练掌握快速幂、并查集、前缀和/差分、滑动窗口这几个高频套路。它们的适用范围广，代码量少，性价比最高。
3. 数学与机器学习基础：被很多人忽视的隐形门槛
3.1 概率统计与最优化：算法工程师的底层语言
很多准备CV的同学容易忽略数学题，但其实网易这类大厂笔试卷里，数学基础占比不小，而且经常藏在机器学习题里。比如题目可能会问：
- 已知事件A和B独立，P(A)=0.3，P(B)=0.4，求P(A∪B)。
- 一个袋子里有3个红球5个蓝球，不放回抽两次，求第二次抽到红球的概率。
- 给定一组样本的均值和方差，求数据标准化后的方差。
这些题本身不难，难的是在紧张状态下不出错。我建议你把条件概率、贝叶斯公式、期望与方差这些基础概念再过一遍，尤其是全概率公式和贝叶斯公式，在机器学习里对应着朴素贝叶斯分类器的推导，属于高频考点。
最优化方面，重点看梯度下降的几种变体：批量梯度下降、随机梯度下降、小批量梯度下降。题目可能会问“为什么深度学习中常用小批量梯度下降而不是全批量”，答案要点是：全批量计算梯度准确但速度慢，内存开销大；单样本SGD噪声大，收敛不稳定；小批量兼具两者优点，还能利用GPU并行。这种题没有标准答案，但你需要踩中关键词。
3.2 经典机器学习算法：KNN、聚类、SVM不能只喊名字
热搜词里有“KNN算法的应用能力包括哪三个方面”“聚类算法”“机器学习算法”，这些词说明大家都在关注经典ML。笔试中常见考法：
- KNN：给定K值和距离度量，判断一个新样本属于哪一类。这里要注意，距离度量可以是欧式距离、曼哈顿距离、余弦相似度，不同度量结果可能不同。KNN的“三个应用能力”包括分类、回归和异常检测，有些人只知道分类，丢分可惜。
- K-Means聚类：给定初始中心，迭代几次后中心坐标是多少。这个题也是手推题，你得会算均值。另外要理解K-Means对初始中心敏感，可能收敛到局部最优，所以通常跑多次取最佳。
- SVM：主要考概念，比如支持向量是什么、核函数的作用、软间隔的C参数含义。不太会让你手推对偶问题，但你要理解SVM的目标是最大化间隔。
准备建议：对于每个经典算法，你至少要能回答三句话：它解决什么问题？核心原理是什么？有什么优缺点？这三个问题几乎覆盖所有选择题。
3.3 那些看起来“不相关”的算法题：粒子群、模拟退火、PID
你可能在热搜里注意到“粒子群算法原理”“模拟退火算法”“PID算法在CRPS PSU Power的作用”这些词。乍一看和CV没关系，但这类题偶尔会出现在笔试的“算法思维”部分，考察的是你对不同领域算法的理解和迁移能力。
粒子群算法（PSO）是一种群体智能优化算法，灵感来自鸟群觅食。每个粒子有位置和速度，通过跟踪个体最优和全局最优来更新。它和遗传算法一样属于元启发式算法，用于求解传统梯度方法难以处理的非凸优化问题。笔试如果出一段描述，让你判断用什么算法，你要能认出这种“个体+全局信息共享”的思路就是PSO。
模拟退火算法则是借鉴金属退火过程，以一定概率接受比当前解更差的解，从而跳出局部最优。它的关键参数是初始温度、降温速率和终止温度。我考研时就背过这个框架，后来在笔试题里见到“某优化问题可能陷入局部最优，如何改进”，我第一反应就是模拟退火或随机重启。
PID算法虽然在自动化领域更常见，但在CV任务里也有应用，比如云台稳像、无人机跟踪。它考察的是你对比例、积分、微分三个环节的理解：P是反应当前误差，I是累积历史误差消除静差，D是预测误差趋势抑制超调。这本身不是CV核心，但懂了以后面试聊到机器人视觉结合时，会很加分。
说实话，这类“边缘算法”不需要深耕，你只要建立“算法地图”，知道每个算法解决什么类型的问题，考场上就能按图索骥。
4. 深度学习与计算机视觉专项：真正的分水岭
4.1 图像特征与经典算子：Sobel、拉普拉斯必须手到擒来
热搜词里同时出现了“图像锐化的拉普拉斯算法”“Sobel算法”，这基本说明该试卷有图像处理基础题。很多同学觉得图像处理是传统CV，已经过时了，但笔试偏偏爱考这个，因为它是深度学习CV的前置知识。
Sobel算子是一个一阶微分算子，用于边缘检测。它有两个3x3卷积核，一个检测水平方向变化，一个检测垂直方向变化。比如水平方向核：
-1 0 1 -2 0 2 -1 0 1这个核为什么中间行权重是2？因为Sobel在计算梯度时对中心像素的邻域做了加权平滑，距离中心越近的像素权重越大，既能检测边缘又对噪声有一定抑制。笔试常问：用Sobel算子对某个3x3区域做卷积，输出是多少？这种题你只需要把对应位置相乘再求和，注意不要翻转核（Sobel不是严格意义上的卷积，是相关操作，但在实际实现中都不翻转）。
拉普拉斯算子是二阶微分算子，常用于图像锐化。它的离散形式通常是3x3核：
0 1 0 1 -4 1 0 1 0有时候也会用含对角线的版本：
1 1 1 1 -8 1 1 1 1拉普拉斯算子的特点是旋转不变性，因为它是各向同性的二阶导数。但缺点是对噪声敏感，所以实际使用中常常先高斯平滑再拉普拉斯，这就是LoG（Laplacian of Gaussian）的思想。
笔试高频考点还有：直方图均衡化、中值滤波、高斯滤波、Canny边缘检测流程。Canny的流程要背熟：高斯滤波平滑、计算梯度幅值和方向、非极大值抑制、双阈值检测和边缘连接。这里面试官喜欢问“为什么Canny要双阈值？”答案是高阈值确定强边缘，低阈值用来连接弱边缘，避免边缘断裂。
4.2 CNN基础与图像分类：基础概念不能丢分
深度学习部分，图像分类是必考的。你能押中很多题，比如：
- 为什么CNN比全连接网络更适合图像？因为局部连接和权值共享大大减少参数量，同时保留了空间结构信息。
- 池化层的作用是什么？降采样、增大感受野、提供平移不变性，同时减少计算量。常考的池化有最大池化和平均池化。
- 1x1卷积有什么用？改变通道数、实现跨通道信息融合、增加非线性，在GoogLeNet和ResNet里都用到了。
- 感受野怎么计算？从最后一层往前推，公式是RF_n = RF_{n-1} + (kernel_size - 1) * stride_accumulated。这个题特别爱考，一定要会推。
图像分类模型的发展脉络也要清楚：AlexNet提出ReLU和Dropout → VGG使用小卷积核堆叠 → GoogLeNet引入Inception结构 → ResNet提出残差连接解决退化问题 → DenseNet用密集连接加强特征复用。笔试可能会问“ResNet为什么能训练得更深？”关键就是恒等映射（identity shortcut），让梯度可以直通，避免梯度消失。
我备考时还遇到一个几乎每场笔试都会出现的题：Batch Normalization的作用。它缓解了内部协变量偏移，让每层输入分布相对稳定，从而可以使用更大的学习率，加快收敛，还带有轻微的正则化效果。注意，BN在训练时使用mini-batch的均值和方差，推理时使用训练阶段累积的全局统计量，这是一个大坑，面试也爱问。
4.3 目标检测与分割：必考的开放题阵地
目标检测在CV算法岗笔试里几乎必考，常考的问题有：
- 两阶段检测器和单阶段检测器的区别。两阶段如Faster R-CNN，先生成候选区域再分类回归，精度高但速度慢；单阶段如YOLO和SSD，直接回归边界框和类别，速度快但正负样本不平衡导致精度稍低。
- Anchor是什么？它是预定义的一组不同尺度和长宽比的框，用来作为目标检测的参考。RetinaNet提出的Focal Loss就是为了解决正负样本不平衡问题。
- IoU怎么计算？交并比，两个框的交集面积除以并集面积，大于阈值才算匹配。
图像分割常考语义分割和实例分割的区别。语义分割是对每个像素分类，不区分个体；实例分割区分同一类别的不同个体，比如Mask R-CNN。还有上采样方法：转置卷积、双线性插值、反池化。知识蒸馏、注意力机制这些也偶尔出现。
处理这类大题，我的方法是用“是什么-为什么-怎么用”框架来组织答案。比如问到FPN特征金字塔，先解释它通过自顶向下和横向连接融合多尺度特征，再说为什么可以提升小目标检测，最后提一句在Faster R-CNN里的集成方式。这样即使不算完美，也能让阅卷人看出你系统思考过。
4.4 训练技巧与数据增强：经验题是你和别人的差距
除了模型结构，笔试试卷里还会出现一些偏经验的题目，比如“训练集很小，你怎么防止过拟合？”答案可以从数据增强、正则化、Dropout、预训练模型、早停、减小模型复杂度等角度展开。
这里我想重点说说数据增强。热搜词里有“图像分类算法”“图像锐化”等，都和增强有关。常见的增强有：随机翻转、随机裁剪、颜色抖动、旋转、缩放、Mixup、CutMix等。笔试的开放题如果问“如何提升小数据集下的分类精度”，你除了说增强，还要提到用预训练权重做迁移学习，以及使用交叉验证选择合适的模型。这种题没有标准答案，但覆盖面越广，分数越高。
另外还有一个经常被忽略的考点：模型参数量和FLOPs的计算。比如给你一个卷积层，输入是HxWxC，卷积核是KxK，输出通道是C'，算参数量和计算量。参数量就是KKC*C'，如果带偏置就加C'。FLOPs要考虑每次乘加运算的次数，大概是输出特征图尺寸乘以参数量。这个属于硬核计算，公式要记牢。
5. 编程题实战：从思路到AC的完整闭环
5.1 做题顺序与时间分配：不要死在第一题
编程题在笔试卷中通常是压轴，也是拉开差距的关键。网易的在线笔试一般是三道编程题，难度递增，时间大概60到90分钟。我个人强烈建议按顺序做，但千万别在第一题上耗尽时间。
拿到题目先看数据范围：n是100还是100000，直接决定你要不要用O(n^2)的算法。如果n <= 1000，暴力可能没问题；如果n >= 10^5，必须想O(n log n)或O(n)。这是笔试老手的基本素养。
时间分配上，我习惯先用5分钟读题，确认输入输出格式，然后快速在草稿纸上列几个例子，手动模拟一遍，确保理解正确。写代码控制在20分钟左右，留出10分钟测试边界。如果一道题15分钟还没思路，果断跳过，先把后面能拿的分拿了。
5.2 一个典型动态规划题的完整推演
为了让你更有体感，我举个动态规划题的典型例子。假设题目是“给定一个整数数组，求最长递增子序列的长度”。这是笔试高频题。
暴力做法是枚举所有子序列，判断是否递增，复杂度O(2^n)，显然不可行。动态规划解法是：
- 定义dp[i]表示以nums[i]结尾的最长递增子序列长度。
- 初始化dp[i] = 1，因为每个元素自身就是一个长度为1的递增子序列。
- 状态转移：对每个i，遍历所有j < i，如果nums[j] < nums[i]，则dp[i] = max(dp[i], dp[j] + 1)。
- 最终答案是max(dp)。
这个解法复杂度O(n^2)，如果n是1000，没问题；如果n是100000，就要用贪心+二分查找，维护一个tails数组，让递增子序列的末尾元素尽可能小。这是从dp进阶到贪心的典型思维过程。
笔试的时候，你最好先写O(n^2)版本，因为更容易写对。写完后再看数据范围，如果超时可以优化为O(n log n)的二分版本。有些同学一开始就上二分版本，结果边界条件写错，反而丢分。稳一点，先拿分。
5.3 代码风格与边界条件：细节决定AC率
在线编程题不要求你写出工业级代码，但至少要保证能编译通过、不崩、不超时。几个常见坑：
- 数组越界：尤其是在循环里访问i-1或i+1，一定要加边界判断。
- 整数溢出：涉及乘法或累加时，用long long。
- 空数组/单元素数组：很多题在这些边界上最容易出错，先用特判处理。
- 输入输出格式：有的题要求输出带空格或换行，严格按样例来。
- 全局变量和局部变量初始值：尤其是计数器，别忘了初始化。
另外，我强烈建议平时练习时就用牛客网或者力扣的在线编译器，因为它们的输入输出风格不一样。有的公司用标准输入输出，有的用核心代码模式，提前适应能节省不少时间。
6. 实战复盘：我踩过的坑和总结的避坑清单
6.1 笔试中的三个“隐形扣分点”
第一，手推算法时习惯性跳步。比如求next数组，我见过很多人直接写结果，草稿纸上一片空白。阅卷/在线判题看不到草稿，但你自己容易出错。所以笔试时哪怕时间紧张，也要把关键推导写在草稿纸上，减少脑内计算。
第二，公式记忆不清还不验证。比如Sobel算子卷积，有人把核记反了，算出来梯度方向反了。我的习惯是拿到题先验算一遍：拿一个最简单的全零图像，中间一个亮点，卷积后应该是正还是负？这样能快速发现错误。
第三，开放题只答要点不展开。问“防止过拟合的方法”，只写“数据增强、正则化”六个字，肯定拿不到高分。你要每个方法都写一句原理或举例，比如“数据增强：对图像进行随机裁剪、旋转，相当于扩大训练集，降低模型对特定位置/颜色的过拟合”。这就体现出你真正理解了。
6.2 备考资料与时间安排建议
很多同学问我要不要刷LeetCode。我的建议是：刷，但要有针对性。你可以把LeetCode按标签刷，优先刷数组、字符串、哈希表、动态规划、二分查找、双指针这几类，它们在校招笔试出现频率最高。树和图相关的题也要会基础操作，但不用刷太偏。
另外一定要刷牛客网上的企业真题，因为在线笔试的输入输出和LeetCode核心代码模式不一样，很多时候是“处理一行字符串，按逗号分割成数组”。如果你不熟悉Scanner或split用法，很容易卡死。
时间安排上，我建议用三周周期：
- 第一周：复习数据结构和经典算法，每天写3-5道LeetCode基础题，重点是DP和字符串。
- 第二周：复习机器学习和深度学习基础，整理笔记，动手推一推KMP、Sobel、BN等高频考点。
- 第三周：刷完整套模拟笔试，掐时间做题，适应节奏，同时查漏补缺。
笔试前一周，每天只做一套模拟题，保持手感，不要再学新知识。
6.3 面试衔接：笔试之后怎么准备
笔试通过之后，紧接着就是面试。笔试里考的知识点，面试中会问得更深。比如笔试考了KMP的next数组，面试就可能问“KMP和BM算法的区别”“为什么KMP是O(n+m)”。笔试考了Sobel算子，面试就可能问“你项目中用过哪些边缘检测算子？为什么选Canny？”所以笔试备考时的知识清单，直接可以作为面试复习的框架。
我后来复盘发现，真正让我通过面试的，不是某个算法的细节记得多清楚，而是我在笔试中把每道题都尽量理解到了“能给别人讲明白”的程度。这比刷题数量更重要。
还有一个容易忽略的点：笔试结束后，最好把做错的、没做出来的题整理成错题本，写清楚当时卡在哪一步，正确思路是什么。我电子笔记里大概记了100多道这样的错题，后来面试聊到相关内容时经常能随手引用。
这个内容后续还可以这样扩展：如果你现在正在准备校招，可以沿着“笔试考点-面试深挖点-项目经验”这条线继续深挖，把笔试试卷当成一个知识图谱的索引，而不是一份考完就扔的题单。这套方法我用了很久，希望对你有帮助。
