深度学习算法岗笔试复盘：核心考点与复习路线全拆解

最近不少读者私信我聊校招笔试的事，尤其深度学习算法岗，大家都觉得“题海战术”不好使，刷了一堆 LeetCode 却不知道重点在哪。这让我想起自己当年参加网易 2018 实习生招聘笔试的场景——那次笔试给我留下的印象特别深，不是因为它难，而是因为它把“算法基本功”和“深度学习理论基础”结合得非常紧密，很多题乍一看是工程题，实际上在考你有没有真正理解模型背后的原理。这篇文章我就以那次笔试为蓝本，把深度学习算法实习生岗位最常考的几类题目、背后涉及的算法原理和复习方法一次性拆透，希望能给准备大厂算法岗的同学一个清晰的方向。

无论你是刚入门深度学习、还在啃 CNN 和反向传播，还是已经有项目经验但担心笔试翻车，这篇复盘都值得你花十几分钟看完。我会用“题目类型 + 核心知识点 + 避坑经验”的方式展开，重点讲清楚为什么这样出题、应该怎么答、平时怎么练，内容完全是干货向的。

1. 笔试整体思路与考察范围解析

1.1 为什么这样出题：算法岗要的不是“调包侠”

先聊聊大厂的招聘逻辑。深度学习算法实习生，招进去之后要做模型训练、调优、上线，但这些工作的前提是你得具备两种能力：一是扎实的数学和算法基础，二是对深度学习模型原理的真正理解。如果只会调用框架的 API，那和“调包侠”没区别，遇到新问题就抓瞎。

网易 2018 实习生的这套笔试，很多人以为会出大量神经网络结构题，结果拿到卷子发现，数据结构、算法设计、数学基础占了很大比重，深度学习相关的题目反而更偏向“理解判断题”和“计算推导题”。这是很典型的大厂算法岗风格——因为实习生要接触真实业务场景，模型需要改结构、调损失函数、处理数据不平衡，这些都需要底层原理支撑，不是会跑个开源代码就能解决的。

1.2 四类高频模块的分值排布

根据我当时的回忆和周围同学的反馈，这套笔试基本可以分成四个大模块：

• 机器学习与深度学习理论基础：占 30% 左右。考的是 LR、SVM、CNN、RNN 的核心概念，以及过拟合、激活函数、梯度消失等基础问题的理解。
• 数学基础：占 20% 左右。概率论、线性代数、最优化方法，尤其是与梯度下降相关的推导。
• 数据结构与算法：占 35% 左右。排序、KMP、动态规划、贪心、二叉树等经典题。
• 编程题与综合题：占 15% 左右。给一个场景，要求设计解决方案，考察工程思维。

这个分值结构告诉我们一个非常重要的信号：深度学习和数据结构算法是两条腿，缺一条都走不稳。很多人只盯着神经网络皮毛，却忽视了“算法”这两个字在岗位名称里的分量。

1.3 按岗位定制复习方向

如果你是冲着“深度学习算法实习生”这个岗位去复习，我建议你把时间这样分配：

• 第一优先级：数据结构与算法刷题（LeetCode 中等难度为主，Hot 100 够用），每天 2-3 道，保持手感和思路。
• 第二优先级：深度学习基础理论，尤其是 CNN、反向传播和激活函数，做到能手推、能解释。
• 第三优先级：机器学习经典模型，LR、SVM、决策树、随机森林、GBDT，重点理解损失函数和适用场景。
• 第四优先级：数学基础，概率论里的贝叶斯、线性代数里的特征值、最优化里的梯度下降变体。

这样安排的原因是，笔试的淘汰率主要靠算法题拉开的，而深度学习题大多只要理解到位就能答对，拉分效果不如算法题明显。所以你要用“算法题保底，理论题拉分”的思路来备考，不要本末倒置。

2. 深度学习核心考点拆解

2.1 卷积神经网络：不仅是“知道”还要“会算”

CNN 是深度学习算法岗笔试的绝对重点。网易的笔试不会直接问你“什么是卷积”，而是给你一个具体输入尺寸和卷积核参数，让你算输出尺寸、参数量、感受野。这要求你不仅要理解卷积的“滑动窗口”直觉，还要把公式记住并且熟练运用。

我当时遇到的题目是：输入 32×32×3 的图像，经过一个 5×5×3 卷积核、步长 1、填充 2 的卷积层，输出尺寸是多少？这时候用公式：

输出尺寸 = (输入尺寸 + 2×填充 - 卷积核尺寸) / 步长 + 1

代入可得：(32 + 2×2 - 5) / 1 + 1 = 32。这类题就是送分题，但如果你只看懂了卷积的示意图，没动手算过，考场上很容易蒙圈。我给的建议是：把卷积、池化、全连接的输出尺寸计算、参数量计算列成一个速查表，考前反复默写三遍，做到看到参数直接出答案的程度。

2.2 池化层：为什么它能减少计算量又不伤特征

池化层在笔试中出现频率也不低。考察点主要分散在三个方向：一是最大池化和平均池化的区别；二是池化的作用，包括降低计算量、增强平移不变性、防止过拟合；三是池化层的梯度传播规则。

这里容易出错的是梯度传播。最大池化在前向传播时记录最大值位置，反向传播时把梯度传给那个位置，其他位置梯度为 0；平均池化则是把梯度平均分配到每个位置。很多同学在面试或笔试时能说出前三点，但一问梯度传播就卡壳，这就是基础不扎实的表现。

我当时的经验是，把每个层的反向传播规则都用小例子手推一遍，比如一个 2×2 的最大池化，输入 [[1, 3], [2, 4]]，最大值是 4，反向时梯度就全给 4 这个位置。推过一遍之后，这类题就再也难不倒你了。

2.3 激活函数与梯度消失：老生常谈但要说到点子上

激活函数是笔试必考题，但大多数人的回答都停留在“ReLU 比 sigmoid 好”。网易的笔试题会把梯度消失问题、梯度爆炸问题、ReLU 死亡问题放在一个综合题里考，要求你解释原因，并给出解决方案。

梯度消失的本质是链式法则连乘导致的。如果用 sigmoid，它的导数最大值只有 0.25，多层反向传播时，梯度每层至少乘以 0.25，十几层之后梯度就趋近于 0，导致浅层参数几乎不更新。解决办法有几个方向：

• 改用 ReLU 这类导数恒为 1（正区间）的激活函数；
• 添加 Batch Normalization，把每层输入分布拉回合适区间；
• 使用残差连接（ResNet），让梯度有一条“高速公路”直接传给浅层；
• 合理初始化权重，比如 He 初始化，避免一开始就进入饱和区。

笔试答题时，如果问“ReLU 有哪些缺点”，你不能只说“神经元死亡”，要补充说明原因——当输入为负数时，梯度为 0，如果某个神经元的所有输入都落在负区间，它的权重就永远不会更新了。解决方案可以用 Leaky ReLU 或 PReLU。把因果链条讲清楚，得分率会明显高一个档次。

2.4 反向传播与链式法则：必须会手推

反向传播是深度学习最底层的原理。网易的笔试有时候不给神经网络结构，而是直接给一个简单计算图，让你求梯度。这类题说难也不难，关键是熟练。我的建议是，考前把 BP 的推导过程完整写三遍，从最简单的两层网络开始。

我当时遇到的是一个带 Sigmoid 激活的两层全连接网络，输入 x 是一维标量，隐藏层一个神经元，输出一个标量，均方误差作为损失函数。这种题没有捷径，就是按照链式法则一层一层求偏导：

第 1 步，前向传播，求出每一层的输出值；
第 2 步，从损失函数开始，对输出层激活函数的输入求导；
第 3 步，把梯度向后传播到隐藏层，再传播到权重参数；
第 4 步，整理成权重更新的表达式。

如果你能做到不看资料，独立推导这个计算过程，笔试里的 BP 题基本就稳了。深度学习岗不会写代码还能理解，但不会反向传播，那就完全说不过去了。

3. 机器学习与数学基础必考题型

3.1 经典模型对比：LR、SVM、决策树的本质区别

虽然岗位是深度学习方向，但机器学习基础一样会考。网易笔试常出现“比较逻辑回归和支持向量机”这种开放题，这时候你不能只罗列“一个用交叉熵，一个用合页损失”，而是要有层次感。

我的回答思路是：先讲两者都是监督学习的分类模型；再从决策边界的角度说，LR 是一种线性分类器，输出是概率，天然适合排序场景；SVM 则通过最大化间隔寻找最优超平面，在样本量小、维度高时更有效，配合核技巧可以处理非线性问题。最关键的差异在于损失函数和优化目标——LR 优化的是对数似然，SVM 优化的是几何间隔，这决定了它们对离群点的敏感度不同。

3.2 损失函数与评价指标：不能只背公式

算法岗笔试对损失函数的考察往往和实际场景结合。你得能说出什么时候用交叉熵，什么时候用均方误差，什么时候要加正则化项。交叉熵更适合分类，因为它对概率分布的差异敏感，梯度更新也更稳定；均方误差适合回归，但如果和 Sigmoid 一起用在分类任务里，会导致梯度更新缓慢。

评价指标也一样。有一个经典问题：在正负样本极不平衡的数据集里，准确率是否有意义？答案是没有意义——假设 99% 是负样本，模型全预测负样本也有 99% 的准确率。这时应该用精确率、召回率、F1 或者 AUC。这种思维题考察的是你能否在真实业务里发现“看似正确实则错误”的评估方式，非常能体现候选人的水平。

3.3 概率与统计：一个容易被忽视的提分点

数学基础里，概率论是考试重头戏。网易这类大厂笔试很喜欢考贝叶斯公式、期望方差、最大似然估计。复习时不需要把概率论整本书啃下来，但有几个点一定要掌握：

• 条件概率和贝叶斯公式，尤其是“先验概率 + 似然 → 后验概率”的理解；
• 高斯分布的参数估计，本质就是求最大似然的过程；
• 大数定律和中心极限定理的直觉。

我当时遇到贝叶斯相关的题时，很快联想到朴素贝叶斯模型，因为面试官问我“为什么朴素贝叶斯要假设特征独立”，答案是为了简化计算，但现实中特征往往不完全独立，所以它本质上是一个简化模型。这种“算法原理 + 数学基础”结合的复习方式效率很高，一举两得。

4. 数据结构与算法笔试高频题解析

4.1 排序算法：复杂度对比表是你必须背下来的东西

我现在都记得，网易笔试有一道关于排序的题目要求选择不稳定的排序算法，然后针对快排在最坏情况下的时间复杂度进行分析。这种题看起来常识，但非常检验基础能力。你至少需要心里有一张清晰的排序算法复杂度表：

我更建议你深入理解为什么排序算法是稳定的，或者为什么不稳定。比如快排为什么不稳定？因为交换操作可能跨越多个位置，把相同元素的相对顺序打乱。堆排序同理，堆的调整过程无法保证相同元素的相对位置。搞清楚原因后，即使笔试换个角度问，你也能应对自如。

4.2 KMP 算法：next 数组推导是高频考点

KMP 算法在笔试里的高频程度，超出了很多人的预期。它典型的出题方法是：给定模式串，让你求 next 数组，并说明 KMP 和朴素模式匹配的复杂度对比。

比如给定 p = "abacaba"，你需要亲手推导它的 next 数组。下面我完整演示一遍推导过程，方便你理解里面的规律：

• 手动失配时，我们把 next[i] 定义为“模式串前 i 个字符组成的子串中，最长的相同前后缀长度”。
• i = 0，定义 next[0] = -1；
• i = 1，子串 "a"，没有真前后缀，next[1] = 0；
• i = 2，子串 "ab"，前缀 a 与后缀 b 不同，next[2] = 0；
• i = 3，子串 "aba"，最长相同前后缀是 a，next[3] = 1；
• i = 4，子串 "abac"，最长相同前后缀是空，next[4] = 0；
• i = 5，子串 "abaca"，最长相同前后缀是 a，next[5] = 1；
• i = 6，子串 "abacab"，最长相同前后缀是 ab，next[6] = 2；
• i = 7，子串 "abacaba"，最长相同前后缀是 aba，next[7] = 3。

所以 next 数组依次是 [-1, 0, 0, 1, 0, 1, 2, 3]。

我在笔试前专门用一天时间把 KMP、BM、Sunday 三种字符串匹配算法的 next 数组推导都练了一遍，这类题在考场上基本就是送分题。如果你时间有限，至少要保证 KMP 的 next 数组能手工推导，因为出题成本低、区分度又高。

4.3 动态规划与贪心：核心是“推导状态转移”

动态规划是笔试压轴题的常客，网易特别喜欢出这一类题，因为 DP 题能直接反映逻辑思维和代码实现能力。

我在那次笔试中印象最深的一道题类似于爬楼梯费用问题：给定一个数组 cost，每当你爬上一个台阶就要花费对应的体力值，然后你可以选择迈一步或者两步，求到达楼层顶部的最低花费。思路是维护一个一维 dp 数组：dp[i] 表示到达第 i 级台阶所需的最小花费，状态转移方程就是 dp[i] = min(dp[i-1], dp[i-2]) + cost[i]。

如果你能把 dp 数组的含义和转移方程讲清楚，即使代码有些小 bug，面试官也会认为你具备基本算法素养。笔试时，DP 题最关键的不是“想出一个办法”，而是“想办法证明你的办法是对的”，也就是最优子结构。

5. 大模型时代的新增考点：浮点数格式与模型部署

5.1 FP32、FP16、BF16、TF32 的格式区别

深度学习算法岗位笔试里，浮点数格式的题在线下笔试中出现得不多，但近两年大模型相关的笔试和面试非常爱考，尤其是当岗位涉及模型训练、推理性能优化时。2018 年那会儿其实还没有这么普及，但以现在的视角复盘，如果你打算走这条路线，这个考点值得提前了解。

我们可以这样类比：训练好的模型是一个庞大的实数集合，这些数字精度越高，占用的内存和计算资源就越大。FP32 是单精度浮点数，用 1 位符号位、8 位指数位、23 位尾数位，可以表示很大范围的数，精度较高，但训练大模型时显存占用很高。FP16 用 1 位符号位、5 位指数位、10 位尾数位，优点是省显存、计算快，缺点是表示范围有限，容易出现溢出和精度丢失。BF16 是用 1 位符号位、8 位指数位、7 位尾数位，动态范围与 FP32 几乎一致，只是精度变低，非常适用于大模型训练时的梯度缩放。TF32 则是 NVIDIA 专门针对 Ampere 架构设计的格式，它用 8 位指数，但只截断 10 位尾数，结合了 FP32 的动态范围和接近 FP16 的运算速度。

5.2 笔试和面试中如何回答这类问题

如果在笔试题里遇到“FP16 训练为什么需要 loss scaling”，你仅仅回答“防止梯度下溢”还不够，要补充为什么梯度会下溢——FP16 的指数范围只有 5 位，可以表示的最小正数约为 2^-24，而正常训练过程中梯度数值往往小于这个范围，导致梯度变成 0，权重没法更新。所以我们需要把损失值放大若干倍，梯度相应放大，更新完成后再缩回去。

还有一个高频问题是“量化会导致精度下降，为什么大家都在用”。答案也很有层次：一是模型参数和激活值分布往往集中在一个小范围内，用低精度表示时损失有限；二是推理阶段，量化可以显著降低内存带宽和计算量，吞吐量提升明显；三是对大多数业务场景而言，少量精度损失换来的速度提升是值得的。

对这个知识点，我的复习建议是：不要只看格式，要理解“动态范围 vs 精度”的取舍关系，学会画出一个浮点数格式的字段分布图，然后把常见的数值溢出和精度问题都过一遍，这样无论题目从哪个角度切入，你都答得出来。

6. 常见问题与排查技巧实录

6.1 笔试时间分配：最常见的翻车原因

深度学习和算法岗的笔试，题量通常不小，尤其是选择题部分，看起来每道题都很简单，但做起来会占用大量时间。我见过太多同学在选择题上花太多时间，导致最后的编程题没时间写，而这恰恰是整张卷子分值最重的一部分。

我的习惯是先花 3 到 5 分钟快速浏览整张试卷，标记出编程题的难度，然后用 1 小时左右解决选择题和填空题，再留出至少 1 小时专攻编程题或综合设计题。如果你在做题时卡了一道题超过 5 分钟，先跳过，把能拿的分拿完再说——这种策略对任何笔试都适用。

6.2 失分点复盘：这些问题一定要提前规避

根据我的复盘，笔试失分点集中在以下几个地方：

• 手推公式时的计算错误：尤其是 BP 推导和浮点数计算时，符号和下标特别容易错。建议平时训练时，每写一步都回看一眼，用值代入法检查，比如假设输入为 1，看损失是否为 0。
• 对“稳定性”理解不清晰：很多人在排序问题上只记住结论，不理解定义。笔试时他会把定义换一种方式表达，你就容易乱。解决方法是记定义，而不只是记结论。
• 答题没有条理，逻辑混乱：主观题不是只写公式就够，要让面试官看出你的推导过程。推荐用“已知 → 解 → 结论”的格式写解答，尽量呈现思考过程。
• 忽略边界条件：代码题目中，一般需要注意数组为空、长度为 1、输入为负数这些边界情况。我在考场上吃过亏，所以特别提醒：写代码时一定多检查边界。

6.3 结合深度学习的独特避坑技巧

深度学习算法岗笔试，有一个独特的坑：它经常会问一些“看起来是编程、实际是理论技巧”的题。比如实现 Dropout，很多考生直接写“随机将神经元置 0”，但忽略了“训练时进行缩放、测试时保持不变”这个关键细节。

所以，在复习深度学习算法岗位时，一定要比普通算法岗多一个步骤：把每个经典模型的实现细节和推理阶段的差异过一遍。包括 Batch Normalization 在训练和测试时的不同行为、Dropout 在训练和测试时的不同行为、数据增强在训练和测试时的处理方式。这些细节都是笔试出题人非常爱放的地方。

我个人的方法是：看完一节论文或者模型后，给自己出一道“如果我是面试官，我会怎么问”，然后尝试回答，这样才会在一个模型里挖出更多层次，比自己只看别人的总结要有效得多。笔试不是为了刷题而刷题，而是在复习中不断加深对模型原理的理解，把知识和工程实现真正串起来。

7. 总结与给后来者的实用建议

7.1 一套完整的复习路线图

如果你现在还是大一、大二，时间充裕，那最好的路线是：先学数据结构与算法，推荐《算法导论》相关章节配合 LeetCode；然后学机器学习基础，至少把吴恩达的课程过一遍；再学深度学习，把《深度学习》（花书）里 CNN、RNN、优化算法、正则化这几个核心章节读透；最后多看大厂技术博客，了解他们在真实业务中遇到的问题和解决方案。

如果你是临近笔试才开始复习，那就抓大放小。首选高频考点：排序和 KMP 这类算法题一定要熟练，CNN 的前向传播和反向传播要做到能推能算。深度学习的开放性题目要会列点回答，不要求深度多高，但要有条理。掌握“先保底再拉分”的节奏，远比花大量时间啃冷门知识点有效。

7.2 资料推荐与使用方式

最后推荐一些我一直觉得不错的资料组合：

• 算法刷题：LeetCode Hot 100 和剑指 Offer，按“数组 → 链表 → 树 → DP → 字符串”顺序推进。
• 机器学习理论：李航《统计学习方法》第一版即可，重点看感知机、LR、SVM、决策树、AdaBoost 这几章。
• 深度学习基础：花书 + 李沐的《动手学深度学习》，一边看理论一边跑代码，效果最好。
• 神经网络架构：CS231n 的课程笔记，尤其是卷积神经网络和反向传播的部分。
• 浮点数与部署优化：NVIDIA 官方文档和 Hugging Face/OneFlow 等技术社区的部署实践，理解大模型训练为什么需要混合精度。

7.3 笔试之外，别忘了准备这些

笔试只是第一步，过了笔试还有面试。网易这类公司的面试非常看重项目经历和思考深度。如果你没有相关项目经验，强烈建议自己找一个小的开源数据集，从零训练一个简单的模型，完整记录整个过程中的踩坑经历。面试官真正想听的，不是“我用 PyTorch 跑通了 ResNet”，而是“我在训练时遇到了 loss 不下降的问题，通过排查发现是学习率太大导致震荡，调整后 loss 正常下降”。

这份真实经历比十篇高深的技术博客都有说服力。哪怕项目很小，只要你能把来龙去脉讲清楚，就已经跑赢了大多数候选人。

根据我个人实际体验，深度学习算法岗的笔试是一个“筛选器”，它把那些只懂得调用框架、却不明白底层原理的人挡在门外。把基础打牢，把推导练熟，把经验沉淀成自己的话术，你会发现笔试并没有想象中那么可怕。希望这篇复盘能帮你把复习路线理清楚，少走一些我当年走过的弯路。