这两年总有学弟学妹来问我说想投深度学习工程师的校招岗位但不知道笔试到底会考什么。我一般会让他们先找一份2018年网易校园招聘深度学习工程师BJ的笔试卷做一遍不是因为它简单而是因为这份卷子的考点分布非常典型基本把“深度学习工程师校招笔试”这个事儿的边界画清楚了。我当年也是从这份卷子开始系统梳理知识体系的后来回头看很多面试中聊到的问题都能在这份卷子里找到影子。这篇文章就结合我自己的备考和带人经验把这份试卷考出来的东西拆开揉碎讲一遍顺便把深度学习工程师校招笔试里那些容易被忽略的工程细节也补上。先说清楚这份卷子不是考你背了多少论文而是考你在“从理论到落地”这条路上到底走了多远。数学基础、机器学习理论、深度学习原理、工程部署意识四个板块缺一不可。很多科班出身的人挂在工程题上反而是非科班但做过实战项目的人容易拿高分。原因很直白——网易的深度学习工程师不是招纯研究员是招能干活的人。1. 这份笔试卷到底在考什么从岗位JD反推考察矩阵1.1 深度学习工程师校招的定位与能力模型2018年那会儿国内大厂的深度学习岗位还处于“野蛮生长”阶段很多团队对工程师的要求就一句话能训练模型、能调参、能部署上线。网易的深度学习工程师BJ岗位也不例外虽然挂着“工程师”的头衔但笔试里数学和算法的比重一点也不低。我当时拿着这份卷子第一反应是“这到底是考数学还是考深度学习”。后来想明白了深度学习工程师的核心竞争力不是会调库而是理解模型为什么work、为什么不work、以及怎么让它work得更好。这三个问题的底层全是数学。所以笔试里高数、线代、概率论占了大头别觉得意外。这个岗位的能力模型大致可以拆成三层基础层线性代数、概率统计、微积分、信息论这些是阅读论文和推导公式的必备工具。核心层机器学习经典算法LR、SVM、决策树、GBDT、深度学习核心组件CNN、RNN、优化器、正则化的原理与推导。工程层训练框架的使用、数据的处理、模型的部署与加速、浮点数精度对结果的影响这些是校招笔试里最容易拉开差距的地方。2018年网易这份卷子三层都有涉及而且工程层的题目比很多其他公司的卷子要更“接地气”。比如会问你怎么处理类别不平衡、怎么在显存有限的情况下调大batch size这些都是实际训练中天天遇到的问题。1.2 高频考点分布数学基础、机器学习、深度学习、工程能力我复盘了一下当时网上流传的考生回忆版结合自己做过的题整理出这张高频考点分布表考察板块典型知识点出题形式占比预估数学基础矩阵求导、特征值、概率分布、贝叶斯选择题、填空题25%机器学习逻辑回归、SVM、决策树、集成学习选择、简答、计算30%深度学习CNN原理、反向传播、激活函数、过拟合简答、推导、代码填空35%工程能力框架使用、浮点数、部署优化选择、简答、场景题10%注意占比是预估的每年的卷子会有浮动但这个框架很稳定。很多人备考时只刷深度学习相关题目结果在数学和机器学习上丢分非常可惜。数学和机器学习是深度学习的“母体”不把这些吃透深度学习部分也很难拿全分。这份卷子还有一个特点简答题占了相当大的比重。选择题可以蒙简答题完全靠平时积累。比如让你“推导反向传播中某一层的梯度”或者“解释为什么ReLU比sigmoid收敛更快”这种题没有标准答案但需要你写出清晰的逻辑链。这恰恰是校招生最缺的——很多人会用PyTorch搭模型但Backward的时候每一步在算什么根本说不清楚。2. 深度学习核心考点逐题拆解从CNN到反向传播2.1 卷积神经网络与池化原理与手推CNN是2018年深度学习笔试题的绝对C位网易这份卷子也不例外。我当时看到的第一道大题就是CNN的尺寸计算输入一张32x32的灰度图经过一个5x5的卷积核stride1padding0问输出特征图的尺寸是多少。这种题本身不难套公式就行$$output_size \frac{W - F 2P}{S} 1$$代入就是(32-50)/1128输出是28x28。但真正的考点在后面如果接一个2x2的max pooling输出是多少答案是14x14。如果你只是记住了“池化就是缩小一半”那这题能对但如果面试官追问“为什么要用池化”你可能就卡壳了。池化的核心作用有两个一是降低特征图的空间分辨率减少后续层的计算量二是引入平移不变性让模型对微小的位置变化不那么敏感。但2018年的笔试卷子里更爱考池化为什么能带来平移不变性这个引申问题。我的理解是池化相当于在一个局部区域内取最大值或平均值不管目标物体在这个区域内怎么平移只要它没有被移出这个区域池化后的结果基本不变。这个特性对分类任务非常友好。更进阶的考点是感受野的计算。当时有一道简答题是这么问的一个3x3卷积核stride1连堆两层感受野是多少答案是5x5。感受野公式是$$RF_{l} RF_{l-1} (k-1) \times \prod_{i1}^{l-1} s_i$$第一层感受野就是卷积核大小第二层感受野3 (3-1)*1 5。这个考点看似冷门实际上在模型设计时非常关键——为什么VGG喜欢堆小卷积核因为两层3x3卷积的感受野等于一层5x5卷积但参数更少、非线性更强。这种知识在笔试里不会直接说“请你解释VGG的设计哲学”而是会用一道计算题让你自己发现这个结论。这就是网易出题的高明之处。2.2 激活函数、损失函数与优化器选择背后的数学逻辑2018年这份卷子有一道让我印象深刻的真题变体给你y wx b激活函数是sigmoid损失函数是均方误差MSE求w的梯度。这题看起来简单实际上考了三个知识点sigmoid的导数形式、链式法则、以及梯度消失的根源。sigmoid的导数是σ(x)(1-σ(x))最大值只有1/4。当网络层数多的时候梯度在反向传播过程中每过一层就要乘以一个小于1/4的数指数衰减导致浅层参数几乎得不到更新。这就是sigmoid在深层网络中不常用的核心原因。笔试卷子里一般不会直接问“为什么sigmoid会导致梯度消失”而是让你手推梯度推完之后自己就会发现端倪。激活函数的考点还有一大类为什么ReLU能缓解梯度消失。ReLU在正区间导数是恒定的1不会衰减所以梯度能顺畅地传回浅层。但ReLU也有自己的问题——“神经元死亡”。如果某个神经元的输入一直为负ReLU的输出就是0梯度也为0这个神经元就再也无法被激活了。所以后续有了Leaky ReLU、PReLU这些变体。2018年的卷子还不算太卷最多让你对比sigmoid、tanh、ReLU的优缺点但2025年的今天面试官可能会追问到GELU和Swish因为它们在Transformer里用得更多。损失函数部分网易比较喜欢考交叉熵和MSE的区别。核心要点是分类问题用交叉熵回归问题用MSE。更深层的解释是交叉熵配合softmax在梯度更新时能避免MSE那种“输出接近目标时梯度也趋近于0”的问题让训练更稳定。我记得有一道题是手写一个softmax交叉熵的反向传播公式。这里的坑在于很多人只记住了loss的表达式却忘了合在一起求导后梯度就是softmax输出 - one-hot标签形式非常简洁。如果没推过笔试现场很容易卡住。优化器部分常考的是SGD、Momentum、RMSProp、Adam的对比。2018年是Adam最火的时候所以卷子里大概率会问“Adam为什么比SGD收敛快”。我的回答思路是Adam结合了Momentum的一阶动量和RMSProp的二阶动量能够自适应地为每个参数调整学习率。但这也带来了一个副作用Adam在训练后期可能无法收敛到最优点因为二阶动量的累积导致有效学习率变得过小。所以后来很多实践者会选择“先Adam快速训练再换SGD精调”。这个技巧在笔试简答题里如果答出来绝对是加分项。2.3 过拟合、正则化与Batch Normalization过拟合是深度学习笔试的“万金油”考点网易这份卷子自然也没放过。常考形式是训练集loss不断下降验证集loss先降后升问这是什么问题、怎么解决。这题稳拿分的答案包括增加数据量、数据增强、降低模型复杂度、加正则化、加Dropout、加Batch Normalization、早停。但2018年的卷子有个特点它不止考“怎么办”还考“为什么”。比如Dropout为什么能缓解过拟合标准答案是“随机丢弃一部分神经元迫使网络学习到更鲁棒的特征”。更深层的解释是Dropout相当于在训练时对多个不同的子网络进行集成预测时相当于这些子网络的平均。这种解释在笔试中写出来能体现你真的理解Dropout而不是背概念。Batch Normalization也是热门考点。它的作用有三加速收敛、缓解梯度消失、有一定正则化效果。但笔试常问的是“BN在训练和推理时有什么区别”。训练时BN使用每个mini-batch的均值和方差进行归一化推理时使用的是训练期间累积的全局均值和方差——通常通过滑动平均running mean / running variance来维护。这个细节很关键因为很多人只知道BN的公式却不知道实际工程里推理用的是全局统计量而不是当前batch的。如果笔试中出现“推理时BN层应该怎么处理”这种题就是在考察你是否亲手部署过模型。正则化的另一大块是L1和L2。常考推导L2正则化为什么等价于权重衰减因为加入L2正则项后梯度更新时w会额外减去一个ηλw的项相当于对权重做了一次缩放所以也叫weight decay。L1正则化产生稀疏解L2正则化产生小权重但非稀疏。我当时还总结过一个记忆方法L1在0点不可导所以优化过程容易把权重推到0L2在0点可导只会把权重视为“整体缩小”,但不会精确到0。这个理解在选择题里非常有用。3. 工程与模型部署能力笔试中容易忽视的送命题3.1 训练框架与PyTorch环境配置的底层细节2018年那会儿TensorFlow还是主流PyTorch正在快速崛起。网易这份卷子里出现了“深度学习框架选型”相关的题比如“TensorFlow静态图和PyTorch动态图的区别各有什么优缺点”。这道题放到现在来看依然经典因为它的答案直接反映出一个工程师对计算图的理解深度。动态图的优势是灵活可以像写普通Python代码一样写模型调试方便非常适合研究和原型验证。静态图的优势是性能优化空间大因为计算图在训练前就固定了可以在图层面做算子融合、内存规划等优化部署时也更稳定。PyTorch 2.0引入了torch.compile本质上是在动态图的易用性和静态图的性能之间做折中属于后话了。还有一类容易被忽视的题目是环境配置。2025年的热搜词里还有“ubuntu22安装深度学习驱动安装了没反应”“pytorch环境安装教程”这些可见环境配置至今都是新人杀手。2018年笔试虽然不会让你写安装命令但会考你“CUDA、cuDNN、PyTorch版本之间有什么关系”。这背后的工程理念是深度学习环境是一个复杂的依赖链条Python版本、CUDA版本、cuDNN版本、PyTorch版本、GPU驱动版本任何一环不匹配都会导致“装了没反应”。我当时给团队新人定的环境配置流程是这样的笔试复习时也可以当知识体系来记先确认GPU型号和驱动支持的最高CUDA版本用nvidia-smi查看。根据PyTorch官方提供的pip install命令让PyTorch自动匹配适合的CUDA运行时。不要手动乱装全局的CUDA和cuDNN容易把系统搞坏。推荐用conda或者虚拟环境每个项目一套环境。安装后用一段简单的GPU测试代码验证创建两个GPU张量做矩阵乘法看torch.cuda.is_available()是否返回True并观察GPU利用率是否正常。这些经验在笔试里不会直接考但面试环节“谈谈你的一个项目”时如果你能讲出“当时在服务器上配环境踩了一个坑”比背一百个公式都管用。网易的面试官很务实他们喜欢能独立解决问题的人。3.2 浮点数格式FP32、FP16、BF16、TF32的实战选型热搜词里有个“深度学习模型部署必知fp32、fp16、bf16、tf32浮点数格式详解与实战选型”这其实正是深度学习工程师从“能训练”走向“会部署”的关键知识点。2018年的笔试虽然没直接考FP16和BF16但考了“为什么混合精度训练能加速”这类延伸题。我统一讲一下因为这部分在笔试和面试中出现的频率越来越高。先看一张常见浮点格式参数表格式指数位尾数位表示范围精度特点典型用途FP32823约±3.4e38高精度训练默认默认训练精度FP16510约±65504范围窄精度低混合精度训练、推理BF1687同FP32范围范围大但尾数精度低大模型训练、分布式训练TF32810同FP32范围介于FP32和FP16之间NVIDIA Ampere架构加速笔试答题的关键是理解范围和精度是两回事。FP16的数值范围只有65504训练大模型时梯度很容易溢出变成inf。BF16牺牲了尾数位换来了与FP32相同的指数范围所以在大模型训练中不容易溢出但精度低可能会影响收敛效果。TF32则是NVIDIA Ampere架构推出的特殊格式本质上是把FP32的尾数位截断到10位用于Tensor Core加速不一定需要显式开启很多框架在特定条件下会自动使用。如果笔试题目是“你的模型训练时loss突然变成NaN可能是什么原因”FP16溢出就是一个非常靠前的排查方向。标准答案应该包括学习率过大导致梯度爆炸。数据里有NaN或Inf值没有做清洗。使用FP16时梯度下溢或上溢此时需要检查是否启用了loss scaling以及梯度裁剪是否生效。网络层内部计算出现除零等不规范操作。这个知识点在2018年可能还算“进阶内容”但放到今天几乎是大厂深度学习岗必考的方向。原因很简单大模型时代没有人能完全用FP32训完一个百亿参数模型混合精度是标配。3.3 模型部署与性能优化的基础素养网易的深度学习工程师笔试虽然以理论为主但总会有那么一两道题用来筛选“有工程感觉”的人。我记得有一道类似这样的场景题线上推理服务要求单张图片延迟小于10ms你的模型是一个ResNet-50单次推理在GPU上需要15ms如何优化这道题没有标准答案但考察的知识点很明确模型层优化知识蒸馏用大模型教小模型、剪枝去掉不重要的通道、量化FP32降到INT8。推理框架选择TensorRT、ONNX Runtime、OpenVINO等都能在特定硬件上做算子融合和内存优化。服务架构优化提高batch size利用GPU并行能力或者将模型拆分为多个模块用流水线并行降低单次延迟。硬件选型换更强的GPU或者使用多张GPU做负载均衡。我当时在笔试里写的是“用TensorRT做FP16推理并把输入尺寸固定省去动态shape的开销”后来面试官说这个方向是对的。这也印证了一个判断网易的笔试不追求你造轮子而是希望你了解现有工具能干什么。部署相关的另一个考点是模型参数量的估算。给一个卷积层输入通道为256输出通道为256卷积核为3x3问这个卷积层有多少个参数答案是256*256*3*3 256 590080。很多人会漏掉偏置项bias。这种题考察的是对模型结构的敏感度一个合格的深度学习工程师应该看到网络结构就能粗略算出参数量和计算量FLOPs这样才能在部署前评估资源消耗。4. 从笔试到Offer2018年真题风格背后的准备策略4.1 复盘真题的答题思路哪些题必须拿满分我把这份卷子里的题目按“性价比”分了个类送分题必须全对矩阵运算结果、概率计算、CNN特征图尺寸、参数量计算、激活函数表达式、反向传播单层推导。这些题没有任何需要临场发挥的地方只是对记忆和熟练度的考察。准备方式就是刷题把高频公式背到条件反射。区分题争取拿80%SVM和LR的区别、GBDT与随机森林的区别、过拟合的解决方法、Batch Normalization的作用。这些题需要你有框架性的理解不能只背要点还要能解释“为什么”。压轴题尽力拿分综合推导题、业界前沿概念题、开放设计题。这类题往往没有唯一答案考察的是思维深度和知识广度。比如“你会如何设计一个模型来检测视频中的异常行为”这种题需要你给出完整的技术方案数据标注、模型选型、训练策略、评估指标、部署难点。我在备考时给每个知识点都做了一张“一页纸总结”正面是公式和定义背面是常见考点和易错点。笔试前一天不刷题只看这些一页纸。这个方法后来推荐给了好几个学弟学妹效果都很好。还有一个很实用的小技巧把推导过程写清楚。笔试考察的不只是最终结果更是你的推导逻辑。比如求梯度时你写出链式法则展开的每一步就算最后结果算错了阅卷人也能看到你的思路是通的会酌情给分。如果你直接写个答案错了就是零分。这一点在网易这类大厂的纸质笔试中尤其重要。4.2 笔试中暴露的常见误区与避坑经验每年都有大量候选人挂在同样的坑里。我总结几个高频的你们备考时特意留意一下。第一个坑是只重理论不重推演。很多人能背出“反向传播”四个字但真的让他写一个两层网络的反向传播推导就写不出来了。我的建议是不要只用眼睛看一定要动手推。从最简单的y wx b到一层隐藏层再到卷积层、BN层每一步都手推一遍。推完之后再对照代码实现看PyTorch的backward()到底在做什么。这个过程虽然慢但极其值得。第二个坑是忽视机器学习经典模型。深度学习笔试里LR和SVM依然占据大量篇幅。网易这套卷子我记得考了“逻辑回归的损失函数为什么不用MSE”。答案是逻辑回归使用sigmoid作为激活函数如果使用MSE损失函数变成非凸的优化时容易陷入局部最优而交叉熵损失函数配合sigmoid整体是凸的便于收敛。这种题看似简单但如果你只熟悉深度学习而不懂传统机器学习很容易答不上来。第三个坑是不关注数据问题。实际训练中数据质量往往比模型结构更能影响效果。笔试可能会问“正负样本比例悬殊怎么办”。标准答法包括过采样少数类、欠采样多数类、调整类别权重、使用focal loss等。但很多人只会说“加数据”这种片汤话。真正的工程思路是先分析数据分布再决定是用数据层面的方法还是算法层面的方法。比如在物体检测中解决正负样本不平衡最常用的就是focal loss它通过调整难易样本的权重让模型更关注那些难以分类的样本。这种回答才能体现你的项目经验。第四个坑是忽略推导里的指数位和尾数位。我在前面提到浮点数格式很多校招生对这个概念完全没有意识。笔试中出现“Tensor Core是什么”“为什么Ampere架构对混合精度友好”这类题可能直接决定你能否进入下一轮。毕竟2025年的大模型训练和部署已经离不开这些底层格式了。4.3 深度学习工程师面试延伸项目经验与手撕代码笔试过了之后面试环节通常会有两到三轮技术面。网易的风格比较务实除了拷打项目还喜欢让你现场写代码。手撕代码的难度不会超过LeetCode Medium但会和深度学习结合比如手写一个二维卷积的前向传播不调用库函数。用numpy实现一个softmax回归。实现一个简单的K-means聚类。写一个数据加载器要求支持shuffle和batch。这些题目并不难但它们考察的是“你是否有扎实的代码功底”。很多候选人用PyTorch写模型很溜但脱离框架、纯手写Python时连基本的数组索引都写不利索。我建议大家在笔试前用numpy把CNN的前向和反向传播各实现一遍。这个过程能帮你把卷积、池化、全连接、softmax、交叉熵这些组件彻底吃透。一旦做完这个练习再看任何深度学习框架的底层代码都会有一种豁然开朗的感觉。面试里的项目经验环节有一个特别重要的原则不要只讲“我做了什么”要讲“我遇到了什么问题怎么定位的怎么解决的”。比如你可以说“我在训练一个检测模型时发现loss降到一定程度就不再下降了后来通过查看每个layer的梯度分布发现是底层卷积层的梯度几乎为0于是我换了新的初始化方式并加了残差连接问题解决了”。这样的讲述方式比“我用PyTorch训练了一个YOLO模型精度达到了mAP 0.78”要有说服力得多。至于项目选择最好是和岗位方向匹配。投深度学习工程师简历上至少有2个有含金量的项目比如图像分类、目标检测、OCR、语音识别、推荐系统这些都可以。不太建议只放那种“跟着网课敲一遍”的Demo项目面试官一问细节就露馅。我当时在校招时把做过的那个工业表面缺陷检测项目写了整整一页从数据标注、模型选型、过拟合处理到TensorRT部署每一步都复盘过。带着这种状态去笔试和面试心里是有底气的。写在最后的经验刷题不是目的建立知识网络才是复盘网易2018校园招聘深度学习工程师BJ笔试卷我最大的感受是这份卷子其实是在用题目帮你梳理“深度学习工程师”这个岗位的知识体系。笔试卷子里的每一道题背后都对应着一个真实的工作场景。CNN尺寸计算对应着网络结构设计浮点数格式对应着模型训练和部署的稳定性正则化对应着模型泛化能力的调优工程框架对应着你在实际训练中能不能搞定环境、数据、性能这些“脏活累活”。如果你正在准备深度学习方向的校招我的建议是不要死记硬背题库而是以这份笔试卷为索引把每个考点展开成一张知识网。数学不够的去补数学手推不熟的去推代码工程没概念的去看部署和推理框架。等你能把“从一道笔试题”延伸到“整个深度学习项目生命周期”的时候那就不只是一张卷子能拦住你的水平了。最后分享一个小习惯每次整理一个知识点我都会用自己的话写一段200字左右的解释发在一个只有自己能看到的文档里。写不出来就说明还没真懂。备考期间这个文档就是我最好的复习资料。希望大家也能找到适合自己的方法在校招中拿到理想的Offer。