企业官网建设流程全解析

说实话，看到网易 2020 校招计算机视觉算法工程师（正式批）这套笔试题的时候，我的第一反应是：这不像是一场单纯考"你会不会调参"的笔试，更像是一场对"计算机视觉基本功 + 算法底子 + 工程思维"的综合体检。如果你正准备投大厂 CV 岗，或者正在刷题阶段，这篇文章值得你花几分钟看完。

我去年参加了这场笔试，顺利拿到了面试机会，后来也陆续接触了其他几家大厂的 CV 岗笔试。回头复盘，网易这套题在难度和风格上都很有代表性。它考察的东西，恰恰是很多人在准备时容易忽略的：除了深度学习模型结构、损失函数这些"显知识"，还有大量数据结构与算法、数学推理、图像处理基础的内容。

这篇文章我会从整体思路、核心考点、实战题目、备考避坑四个维度来拆解。无论你是刚入门的 CV 求职者，还是正在冲刺校招的应届生，相信都能从中找到对自己有用的信息。

1. 笔试整体复盘：网易 CV 算法岗到底在考什么

1.1 题型分布与考察逻辑

先给大家还原一下我印象中的笔试现场。网易这套 CV 算法工程师（正式批）笔试题，整体分为三个部分：第一部分是单选题和多选题，覆盖范围非常广；第二部分是编程题，需要在线 coding；第三部分是简答题，考察对模型原理的理解深度。

选择题部分大概有 20 到 25 道，涵盖的内容包括：图像处理基础、机器学习经典算法、深度学习理论、概率统计和线性代数、C++/Python 语言基础。多选题的干扰项设置得很有水平，很多选项看起来都对，实际上暗藏陷阱。我记得有一道关于 Batch Normalization 的多选题，选项里混入了"BN 在训练和推理时使用相同的统计量"这个错误表述，如果不清楚 BN 在训练时用 batch 统计量、推理时用全局滑动平均统计量，很容易选错。

编程题一般是 2 到 3 道，难度递进。第一道通常是比较常规的字符串处理或者简单动态规划，第二道开始上强度，涉及贪心策略、复杂状态设计，第三道往往需要结合数据结构优化，比如线段树、优先队列、并查集。整个笔试时长在 120 分钟左右，时间分配很关键。

简答题部分一般是 2 道左右，考察目标检测原理、模型加速方法、损失函数设计这类问题，需要你能够清晰地写出自己的理解，包括公式推导、优缺点对比。

1.2 和提前批、其他大厂笔试的横向对比

如果你同时准备了其他大厂的笔试，会发现网易这套题有几个鲜明特点。

第一个特点是"广而深"。对比字节跳动和腾讯的笔试，网易在机器学习经典算法上花的心思明显更多。KMP 算法、排序算法复杂度对比、贪心算法证明这类"纯算法题"出现的频率很高，这和热词里出现的 KMP、贪心、模拟退火、粒子群等高频考点完全吻合。我当时就遇到了一道关于 KMP 算法 next 数组的填空题，虽然不要求写出完整代码，但要求根据给定模式串手算出 next 数组，这个基本功不扎实的话现场会很懵。

第二个特点是"重基础"。对比阿里更偏工程实现、头条更偏论文复现的题目风格，网易的题目更接近教科书知识的变体。比如数据结构排序算法的稳定性比较、二分图 HK 算法的适用场景、Dijkstra 算法的堆优化复杂度分析，这些在牛客网刷题时经常会遇到，属于"你认真复习了就能做对，但如果不重视基础就很容易翻车"的题目。

第三个特点是"图形图像浓度高"。毕竟是 CV 岗，图像处理相关的题目占比明显高于通用算法岗。直方图均衡化、Sobel 算子边缘检测、图像金字塔、仿射变换、卷积输出尺寸计算这些知识点，在选择题和简答题中反复出现。这提示我们：投 CV 岗就不能只准备深度学习，传统图像处理的基础同样重要。

1.3 难度定位：为什么说它"笔试筛人，面试筛神"

整体来看，网易这套笔试题的难度定位是"笔试筛人，面试筛神"。什么意思呢？笔试阶段它不会故意出偏题怪题难为你，而是用大量的中等难度题目，考察你的知识覆盖面是否完整、做题速度是否够快、心态是否稳定。能通过笔试的人，不一定是深度最强的，但一定是体系比较完整、基本功比较扎实的。

这套题中的"坑"，更多体现在选择题的干扰项设计、编程题的时间和空间复杂度限制、简答题的表述严谨性上。比如编程题如果只是想出暴力解法，数据范围一大就容易超时，必须优化到 O(n log n) 甚至 O(n)。这种考察方式，其实是为了筛选出真正有工程思维和优化意识的候选人。

2. 核心考点拆解：CV 岗笔试的高频知识点地图

2.1 计算机视觉基础：传统图像处理不能丢

很多准备 CV 岗的同学把大量时间花在深度学习上，但对传统图像处理重视不够。网易笔试告诉我：这是一个严重的误区。

在选择题里，图像处理相关的考点集中在这几个方向。直方图均衡化的计算过程是必须掌握的，题目可能会给出一个灰度图像的直方图，让你计算均衡化后的灰度映射关系，这需要理解累积分布函数（CDF）的归一化公式：新灰度 = round((L-1) × CDF(原灰度))，其中 L 是灰度级数。还有一个高频考点是图像滤波，高斯滤波的核怎么生成、中值滤波对椒盐噪声的效果为什么好、均值滤波为什么会模糊边缘，这些基础概念会被反复考到。

边缘检测方面，Sobel 算子的卷积核以及它如何计算梯度的幅值和方向、Canny 边缘检测的完整流程（高斯平滑、梯度计算、非极大值抑制、双阈值处理、滞后连接），这些内容不仅要记住步骤，还要理解每一步的作用。我记得有一道多选题考察 Canny 检测中哪个步骤用于"细化边缘"，正确答案是非极大值抑制，如果你没理解这一步的原理，很容易被其他选项带偏。

特征提取方面，SIFT、HOG、LBP 这些经典特征描述子的特性对比也出现过。比如 SIFT 为什么具有尺度不变性和旋转不变性、HOG 主要用在行人检测中的原因、LBP 的旋转不变模式是怎么实现的。这些问题虽然不会要求你手推公式，但考察的是你是否真正理解这些特征的设计思想。

图像变换同样是重点。仿射变换矩阵的表示、平移旋转缩放的组合方式、透视变换和仿射变换的区别，这些内容在选择题中占了不少分值。我当时还遇到了一道关于图像金字塔的题目，问高斯金字塔和拉普拉斯金字塔的差异，如果平时只关注深度学习中的多尺度特征融合，这种偏传统的细节问题很容易丢分。

2.2 深度学习理论：从卷积推导到训练 Trick

深度学习部分的题目，不会是简单的"输入输出维度是多少"，而是会深入考察原理性的内容。

卷积操作的计算是最基础的。输入特征图 H×W×C，卷积核大小 k，padding 为 p，stride 为 s，输出尺寸的计算公式 (H + 2p - k) / s + 1 必须滚瓜烂熟。在此基础上，题目会升级到感受野的计算：层叠多个小卷积核与使用一个大卷积核的等价感受野对比，这也是 VGGNet 用 3×3 卷积堆叠替代大卷积核的理论依据。我当时遇到了一道计算题，要求算一个 3 层 3×3 卷积堆叠后的感受野是否等于 1 层 7×7 卷积，除了计算还要解释参数量上的差异，这题考察的其实就是对"小卷积核堆叠减少参数、增加非线性"这个知识点的理解。

Batch Normalization 是必考的。它的计算流程要能完整写出来：先算 batch 均值、方差，再归一化，最后进行缩放和平移（γ 和 β）。关键考点是训练和推理阶段的差异，训练时用当前 batch 的统计量，推理时用训练阶段滑动平均得到的全局统计量。这一点的考察频率极高，说明出题人希望候选人不仅会调包，还知道底层是怎么运作的。

损失函数方面，交叉熵、Focal Loss、Dice Loss、IoU Loss 的适用场景和公式都是高频考点。Focal Loss 提出用来解决类别不平衡问题，它通过调制因子 (1-p_t)^γ 降低易分类样本的损失权重，这个公式的推导和 γ 的作用会被反复考察。目标检测中正负样本不平衡的问题，也是简答题的常见素材。

目标检测模型的发展脉络需要梳理清楚：两阶段（Faster R-CNN、Mask R-CNN、Cascade R-CNN）和单阶段（YOLO 系列、SSD、RetinaNet）的代表模型、优缺点、mAP 和 FPS 的权衡。我笔试时遇到一道简答题，要求对比 Faster R-CNN 和 YOLO 在检测小目标时的性能差异及原因，这种题没有标准答案，关键在于你的分析是否有条理、能不能涉及多尺度特征、锚框设计、感受野匹配这些问题。

模型加速和轻量化也是容易出现的考点。深度可分离卷积（MobileNet 的核心思想）、1×1 卷积的作用（通道变换、降维、增加非线性）、模型剪枝和量化。题目会问某种加速方法的原理和适用场景，这部分如果你只停留在"听说过"的层面，是很难写清楚的。

2.3 机器学习与数学基础：那些送分题和送命题

机器学习算法部分，网易的题目风格比较像考研数学和机器学习课程的结合体。

K-Means 聚类是常客，它的算法步骤、初始中心点选择的影响、K 值怎么确定（肘部法则、轮廓系数）、收敛性和局部最优。有一道选择题给出了一个二维数据集的分布，让你判断 K-Means 聚类的结果，实质上考察的是对聚类假设（凸形簇）的理解。还有一道题问 DBSCAN 和 K-Means 的区别，考察密度聚类如何解决非凸簇和噪声点问题。

SVM 虽然现在在 CV 领域用得不多，但在笔试中依然占据一席之地。支持向量的概念、硬间隔和软间隔的区别、核函数（线性核、多项式核、RBF 核）的选择依据、KKT 条件。我记得有一道题考察 RBF 核中的 γ 参数对模型复杂度的影响，γ 越大模型越复杂、越容易过拟合，这个结论要和 SVM 的理论结合起来记忆。

概率统计和线性代数更是笔试的基础工具。条件概率、贝叶斯公式、朴素贝叶斯的独立性假设、高斯分布的性质，这些在选择题里会以不同的形式出现。有一道题给出了一个分类任务的条件概率表，要求用最大后验估计（MAP）做决策，其实很简单，但现场紧张的时候容易算错。线性代数方面，矩阵的特征值分解、正定矩阵的判断、向量正交性、PCA 的降维原理（为什么取最大特征值对应的特征向量），这些都是高频考点。

数学基础部分还考察过凸优化和最小二乘法。二维线性回归的闭式解推导、梯度下降的收敛性分析、L1 和 L2 正则化的区别（L1 产生稀疏解、L2 防止过拟合），这些知识不能只背结论，要能理解推导过程，因为题目可能会换个形式来考。

2.4 数据结构与算法：编程题的地基

网易笔试的编程题部分，数据结构与算法的考察几乎是必考的。我回忆了一下，编程题第一题往往是字符串处理或简单模拟，第二题是动态规划或贪心，第三题的难度就上来了，通常需要综合运用多种数据结构。

热搜词里反复出现的 KMP 算法，就是这类笔试考察重点的一个缩影。KMP 的核心思想是当模式串与文本串匹配失败时，利用已经匹配的部分信息，让模式串尽量多地向后移动，而不是从头开始匹配。next 数组的求解是 KMP 的关键，next[i] 表示模式串前 i 个字符组成的子串中，最长相同前后缀的长度。笔试中会直接给出一个模式串，让你手动计算 next 数组，热词里提到的模式串 "abacaba" 就是一个经典练习例子：它的前缀 "ab" 和 "aba" 的关系、next[7] 的值计算，能够检验你是否真正理解这个算法的推导过程。

除了 KMP，字符串匹配相关的问题还可能出现 Sunday 算法、BM 算法等，但 KMP 是考察频率最高的。数据结构方面，优先队列（堆）、并查集、线段树是编程题常用的优化工具。有一道类似"最短路径变体"的题目，可以用 Dijkstra 算法配合优先队列实现 O(E log V) 的复杂度，如果不知道堆优化，很容易超时。

贪心算法和动态规划是编程题的主战场。区间调度问题（按结束时间排序贪心）、背包问题（01 背包、完全背包）、编辑距离、最长上升子序列（LIS）、最长公共子序列（LCS），这些经典题型的解题模板要烂熟于心。网易还喜欢在动态规划中加一些条件变化，比如"最多只能进行两次买卖"的股票问题，需要设计三维 DP 状态，考察的就是状态转移方程的推导能力。

排序算法的基础知识同样不能忽视。快速排序的复杂度为什么是 O(n log n)、什么情况下退化到 O(n²)、归并排序的稳定性和空间复杂度、堆排序如何建堆、计数排序和基数排序适合什么场景。有一道选择题问"下列哪个排序算法是稳定的"，这个考点看似简单，但如果没记住具体实现细节（比如快速排序的交换过程会破坏稳定性），很容易丢分。

3. 实战题目解析：那些年我踩过的坑

3.1 选择题现场实录：细节决定成败

选择题部分，我印象最深的一道题是关于卷积输出尺寸的，题目给出输入尺寸和卷积核参数，要求计算输出尺寸，看上去很简单，但选项里特意设置了一个"没有考虑 padding 为 valid 还是 same"的陷阱。如果你只是机械地套公式而忽略了 padding 类型的判断，就非常容易踩坑。这类题出的不是计算能力，而是读题的细心程度。

除了计算题，概念辨析题也是重灾区。有一道多选题考察经典的机器学习算法和深度学习算法的区别，四个选项分别是关于特征工程依赖程度、数据量需求、模型可解释性、训练时间。前三个选项都容易判断，但"训练时间"这个选项表述是"深度学习算法一定比机器学习算法训练时间更长"，这种绝对化表述实际上是错误的，因为训练时间取决于模型大小、数据量、优化器选择等多种因素，并非算法类别决定。这种"绝对化表述大概率错误"的思路在做选择题时非常有用。

关于 KMP 和字符串匹配的选择题也值得记录。题目给了一个模式串，要求判断使用 KMP 和暴力匹配在某个特定文本上的比较次数差异。这种题本质上考察的是对 KMP 优化效果的理解，而不仅仅是背 next 数组的计算方法。我的经验是：遇到这类题，先手动模拟一遍匹配过程，再对比暴力匹配，不要直接凭印象选择。

3.2 编程题实战：一道动态规划题目的完整复盘

编程题中，最让我记忆犹新的是一道"从矩阵左上角到右下角的最短路径和"的变体题。基础版本的解法是双循环 DP，dp[i][j] = min(dp[i-1][j], dp[i][j-1]) + grid[i][j]，这个相信大家都写过。但网易的题加了两个条件：一是矩阵规模很大，不能开 O(mn) 的辅助数组，只能用滚动数组；二是允许"最多 K 次改变某个格子的值为相反数"的操作，这就把问题从简单 DP 升级成了带状态的 DP。

这道题的解题思路是关键：设计三维 DP 状态 dp[i][j][k] 表示走到 (i,j) 位置时使用了 k 次改变机会的最小路径和。转移方程需要对每个格子考虑"改变"和"不改变"两种情况：

• 不改变该格子的值：dp[i][j][k] = min(dp[i-1][j][k], dp[i][j-1][k]) + grid[i][j]
• 改变该格子的值：dp[i][j][k] = min(dp[i-1][j][k-1], dp[i][j-1][k-1]) - grid[i][j]

边界条件是 k=0 时只能不改变，以及 i=0 或 j=0 时需要单独处理。使用滚动数组优化空间后，复杂度从 O(mnk) 的时间、O(mnk) 的空间降到了 O(mnk) 的时间、O(nk) 的空间。

这道题的高明之处在于：它既有传统 DP 的框架，又加入了新的状态维度，考察的是你会不会从"二维路径问题"泛化到"带约束的路径问题"。如果平时只是机械刷题而没有真正理解状态设计的原则，遇到新题就容易蒙圈。

我当时的解题过程是怎样的呢？第一遍我先写出朴素的三维 DP 版本，验证核心逻辑是否正确，然后逐步优化。这是我一直推荐的答题策略：先保证正确性，再考虑性能，而不是一上来就想一次性写出最优解。在笔试环境里，时间和心态都紧张，先写一个能通过的版本比追求完美解法更实际。

3.3 简答题的回答框架：面试官到底想看什么

简答题部分，网易的风格是"看似开放，实则考察结构化思维"。我记得有几道题是这样问的：

"请比较 Focal Loss 和 OHEM（在线困难样本挖掘）在解决目标检测中正负样本不平衡问题上的异同。"

这道题的核心考点其实不只是 Focal Loss 的公式，而是你对困难样本处理策略的理解深度。我的回答逻辑分三层：第一层说明问题背景，即一阶段检测器中正负样本比例严重失衡，大量易分类负样本主导了损失；第二层分别介绍 Focal Loss 的调制因子机制和 OHEM 按损失排序选择困难样本的机制；第三层做对比分析——Focal Loss 是软性的、连续的样本权重调整，OHEM 是硬性的、离散的样本选择策略，Focal Loss 不需要额外的超参选择样本比例，而 OHEM 需要设定保留比例。

答题时我会注意：先把核心概念和公式写清楚，再展开分析，最后给出对比结论。这种"金字塔结构"的回答方式，在限时环境下效率最高，也最容易让阅卷人get到你的思路。

还有一道简答题问："在嵌入式设备上部署一个实时目标检测模型，你会从哪些方面进行优化？"这道题考察的是模型加速的工程能力。我的回答结构是：模型结构层面（轻量化骨干网络、深度可分离卷积、通道剪枝）、推理框架层面（TensorRT 的 FP16/INT8 量化、层融合、内存复用）、硬件层面（NPU 算子选择、多线程异步推理）。除了列举方法，我还重点说明了"量化感知训练"的重要性——如果直接对训练好的模型做 INT8 量化，精度损失往往较大，需要在训练阶段模拟量化过程，这也是实践中最容易被忽视的细节。

这类题没有标准答案，但有没有工程实践经验、有没有踩过部署的坑，在回答中会暴露得很明显。所以我的建议是：平时多关注模型部署相关的技术方案，哪怕只是复现一个 TensorRT 量化的教程，都能在答这类题目时加分不少。

4. 备考路线与避坑经验

4.1 时间线规划：三个月如何系统性准备

如果你的目标是暑期实习或者秋招正式批，至少提前三个月开始准备是比较稳妥的。我自己的备考节奏是这样的：

第一个月明确知识体系框架。先做一次自测，把容易遗漏的知识点列出来，然后按"传统图像处理 → 机器学习基础 → 深度学习理论 → 数据结构与算法"的顺序过一遍。这个阶段不要贪多求快，核心目标是建立完整的知识地图。我当时用到的资料是冈萨雷斯的《数字图像处理》（重点看直方图处理、边缘检测、特征提取章节）和李航的《统计学习方法》（重点看感知机、KNN、朴素贝叶斯、决策树、SVM、聚类），这两本书虽然经典但内容量大，建议配合网上的考点整理一起看，比从头啃到尾效率高很多。

第二个月集中刷题和代码练习。LeetCode 上把高频题刷两遍，第一遍按类型刷（数组、字符串、链表、树、图、DP、贪心），第二遍按难度和频率刷。同时用牛客网的历年真题进行计时模拟，尤其是网易、字节、腾讯近三年的笔试题目。这个阶段的重点不是刷题数量，而是培养"看到题就能快速定位考点"的能力。编程题限时训练很重要，我每次模拟都严格控制时间，做完后认真分析复杂度是否可以优化。

第三个月针对性地查漏补缺。把前面做错的题和薄弱知识点重新整理一遍，重点突破高频考点，比如 KMP 算法的 next 数组计算、卷积输出尺寸和感受野计算、损失函数公式推导、常见排序算法的稳定性对比。这个阶段也要开始准备简答题的答题模板，把目标检测、模型加速、图像分割这几个方向的常见问题写成自己的"知识卡片"，方便快速回忆。

4.2 复习资料与工具清单

关于复习资料，我按使用频率和优先级给你列一份清单：

第一梯队是官方文档和经典教材。PyTorch 官方文档是理解深度学习实现细节的第一手资料，BatchNorm、卷积、损失函数的实际行为都能在这里找到答案。李航的《统计学习方法》涵盖机器学习核心算法，公式推导完整，建议和《机器学习》（周志华）配合使用，前者偏理论推导，后者偏概念直觉。

第二梯队是刷题平台和真题资源。LeetCode 是算法能力训练的主战场，牛客网是大厂笔试真题的聚集地，GitHub 上还有人整理了大厂面试题解，可以搜索"2020 网易笔试"等关键词找到当年的真题和讨论帖。

第三梯队是论文和技术博客。这里的重点不是让每个人去精读顶会论文，而是要学会阅读综述性博客，快速理解不同技术方案的核心思想。对于目标检测，我个人很推荐从 Faster R-CNN、YOLO、RetinaNet 这几篇经典论文的解读入手，配合 PyTorch 官方教程理解实现细节。特别是 Focal Loss 的原论文，公式推导和实验对比部分值得细读。

4.3 考场上的时间分配与心态调整

网易这套笔试的时间分配，真的需要提前规划。我个人建议：选择题控制在 45 到 50 分钟以内，编程题每道题预留 20 到 25 分钟，简答题留出 20 到 30 分钟。不要在一道选择题上纠结超过 3 分钟，如果拿不准就标记出来，先往下走，做完所有题目后有剩余时间再回头检查。

编程题的答题顺序也有技巧。先花 1 分钟通读所有编程题，评估难度，优先做最有把握的那道。如果第一道编程题超出了预期难度，不要死磕，先跳过做后面的题。有些同学习惯按顺序答题，结果在第一道题上卡了 40 分钟，导致后面能拿分的题目没时间做，这是最可惜的。

心态调整方面我的经验是：笔试不是要求你拿满分，而是要求在限定时间内展示你"会的东西足够多"。所以遇到不会的题，果断放弃比死磕到底更有价值。我笔试时有一道简答是关于粒子群算法的原理和改进，我虽然知道它是群体智能优化算法，但具体细节的把握不够深入。我当时的策略是清楚地写下了算法的大致框架和核心思想，同时坦诚地说明具体参数调优和实践经验有待加强，并补充了它和模拟退火、遗传算法在共性上的对比，这反而显得思路清晰，最终也顺利进入了面试环节。

关于心态，我自己的一个小技巧是：进笔试前先做几道力扣简单题热身，让大脑进入算法思维状态，同时给自己一个积极的心理暗示——"这套题我已经认真准备了，该会的都会"。听起来有点玄学，但确实能帮助缓解紧张情绪。

写在最后：几个必须记住的经验

回过头看这场网易 CV 算法岗笔试，虽然已经过去了很长一段时间，但它对我的影响很大。尤其让我印象深刻的，是它提醒了我：计算机视觉不只是深度学习模型的堆叠，更是数学、传统图像处理、算法设计和工程实现的全方位融合。

我自己在准备时最大的教训是：不要因为岗位叫"计算机视觉"就只盯论文和模型，数据结构与算法的基本功在这个岗位的筛选中权重很高。如果你正在准备类似的笔试，我的建议是：先花两周时间把知识框架搭好，再花一个月集中刷题和模拟笔试，最后留出两周做针对性的查漏补缺。

最后再分享一个小技巧：做完笔试之后，一定要对自己的答题情况进行复盘。我每次模拟笔试后都会整理一个"错题本"，记录知识点盲区和粗心犯错的地方，这比单纯刷题有效得多。坚持下来，到真正笔试的时候，你会发现很多题都眼熟，很多坑都能轻松避开。祝各位求职顺利，早日拿到心仪的 offer。