我到现在还记得2018年那次校招季，实验室几个同学一起投了欢聚时代（YY）的图像算法工程师岗。那时深度学习在工业界的落地正处在爆发期，直播、短视频赛道尤其缺人，欢聚时代旗下有YY直播、虎牙直播，对图像算法工程师的需求非常明确：美颜特效、表情识别、内容审核、图像理解，全是实打实的业务场景。
这份“2018校招笔试题-图像算法工程师（深度学习）A卷”虽然已经过去几年，但回头看，里面的出题逻辑和考点分布恰恰反映了当时工业界对深度学习算法工程师的核心能力要求。很多同学拿着这份题准备面试，却发现网上找不到完整的解析和备考思路——这正是我想写这篇复盘的原因。
结合热搜词里大量关于深度学习知识点、CNN、池化、浮点数格式、模型训练与部署的内容，我会把A卷中可能出现的题型、每个考点背后的原理、答题时容易踩的坑，以及这些年技术演进后“老题新考”的方向，一次性讲透。这篇文章适合正在准备图像算法岗位笔试面试的同学，也适合想系统梳理深度学习基础知识的从业者。
1. 从官网和企业背景看，这波笔试到底在筛选什么样的人
1.1 欢聚时代的业务场景决定了命题方向
很多人拿到这份卷子第一反应是背题，但实际上，这类大厂校招笔试题的命题逻辑，从来不是单独考察知识点，而是看你能不能解决业务场景下的真实问题。欢聚时代是直播起家的公司，它的图像算法工程师日常工作会面对三类核心需求：第一类是直播美颜和滤镜特效，涉及人脸关键点检测、人脸分割、妆容迁移、风格化等；第二类是内容理解和推荐，包括视频封面选取、场景标签、物体识别；第三类是内容安全审核，需要对色情、暴力等违规图像进行自动识别拦截。
所以这份A卷虽然叫“图像算法工程师（深度学习）”笔试题，但它考察的绝对不是纯粹的深度学习理论，而是把计算机视觉基础和深度学习模型能力糅合在一起，尤其偏重那些能直接转化为产品功能的技能点。你在复习时，不能只盯住“深度学习”三个字，还得把图像处理的基础功补上，否则有些题目即使能写出公式，思路也容易跑偏。
1.2 2018年的技术栈决定了考点的时间切片
2018年是个很有意思的时间节点。图像分类领域ResNet已经是标配，DenseNet、SENet也已经被工业界接受；目标检测方面Faster R-CNN这样的两阶段模型依然是精度标杆，但YOLO和SSD这类一阶段方法已经在工业部署中表现出明显优势，尤其适合直播场景里的实时人脸检测和物体检测；分割领域FCN、U-Net和Mask R-CNN已经成熟，人脸解析、背景替换这些功能都是靠它们实现的。
框架方面，当时TensorFlow处于绝对主导地位，PyTorch才开始快速崛起，很多学校实验室还在用Caffe。这份笔试的命题人在出题时，通常不会过多依赖具体框架API，而是考察框架底层的数学逻辑和工程理解，比如手写卷积、手推反向传播、理解BN层的训练与推理差异等。换句话说，你背API没有用，要理解算法本身的数学原理才能拿分。
1.3 A卷命名的潜台词：考核分层与难度取向
“A卷”意味着同一岗位可能存在多套试卷，很可能按笔试批次或投递方向做了区分。图像算法工程师在招聘大类里通常会和CV算法工程师、深度学习工程师共享一部分基础知识题，但在专业题上更偏向视觉任务。从历年考生回忆看，A卷整体特点是：基础题覆盖广、计算题重推导、算法设计题重方案完整性。
这种设计其实是在淘汰两类人：一类是只背过深度学习框架调用、不理解原理的“调包侠”；另一类是只做过学术实验、从没考虑过工程约束的“论文党”。想通过这份卷子，你需要的是“学术基础+工程思维”的组合能力。
2. A卷题型结构与考点分布复盘
2.1 选择填空题：考察概念的精确理解
根据当年的考生反馈和同类企业笔试题型规律，A卷的第一部分大概率是选择题加填空题，覆盖深度学习基础概念和图像处理基础。这一部分难度不大，但坑很多，专门用来筛掉基础不扎实的同学。
常见的选择题考点包括：卷积层参数量计算、感受野计算、池化层作用、激活函数梯度特性、不同损失函数适用场景、过拟合的处理手段、学习率对训练的影响等。这部分题目通常不需要你写出完整推导，但要求你对概念有精确的记忆和理解，因为很多选项只差一个字的表述。
比如有一类高频题是“以下关于Batch Normalization说法正确的是”选项里混合了“训练时使用mini-batch均值方差，推理时使用全局统计量”“训练时也使用全局统计量”“BN可以缓解梯度消失”等组合。如果你只是知道BN能加速收敛，但说不清训练和推理阶段的统计量差异，就很容易被迷惑。
填空题则更偏向数值计算，比如让你算“输入224x224x3的图像，经过stride为2的5x5卷积后的输出尺寸”，或者“计算一个3x3卷积、64个输出通道、输入64通道的卷积层参数量”。这类题目考察的是对公式的熟练度，没有任何捷径，只能多练。
2.2 简答题：不仅考查“知道”，更考查“讲清楚”
简答题是这份A卷拉开差距的关键部分。命题人一般会出3到5道题，覆盖深度学习核心机制和图像算法基础。典型题目包括：解释L1和L2正则化的区别及各自适用场景、描述梯度消失和梯度爆炸的原因及解决方案、对比目标检测中两阶段方法和单阶段方法的优劣、说明数据增强在训练中的作用。
这类题目表面上是在考记忆，实际是在考逻辑表达。你不仅要写出是什么，还要解释为什么。比如解释L1和L2正则化时，如果能补充“L1能把权重压缩到0，相当于特征选择，在稀疏场景中更有效；L2让权重趋向小值但不会到0，在稠密特征中更稳定”，再结合损失函数和梯度更新公式说明，得分就会明显提高。
2.3 推导计算题：直接筛掉没写过代码的人
计算题和推导题是A卷中最硬核的部分。根据同类笔试经验，大概率会出现手推反向传播、计算交叉熵损失对Softmax输入的梯度、推导带正则项的损失函数梯度更新公式。
这里要特别提醒：手推反向传播时，绝大多数人写错的原因是搞混了矩阵乘法的维度和梯度流动方向。我当时吃亏后总结了一套固定写法：先标出每个张量的shape，再对每个中间变量拆开写链式法则，最后统一写出参数梯度。这个习惯看着笨，但在笔试时间压力下最稳。
2.4 算法设计题：考察完整方案思维
最后一道或两道大题通常是算法设计题，给出一个业务场景，要求你设计方案。常见的设问方式是“请设计一个实时人脸美颜算法方案，要求说明技术选型、模型结构、训练数据、部署优化”“请设计一个视频封面自动选取算法，要求选出信息量最大、最吸引人点击的一帧”。
这种题目不追求唯一标准答案，而是考察你拆解任务的思路是否清晰、方案是否兼顾效果和工程可行性。评分时通常按点给分：是否准确定义了问题、是否有合理的数据和标签来源、模型结构选择是否有依据、性能指标是否明确、是否有工程落地考虑。
3. 核心考点深度拆解：从公式到实战，一次讲透
3.1 卷积计算与感受野：所有题目里的“送分题”和“送命题”
卷积相关的计算题几乎是所有图像算法岗位笔试必考的，A卷里也一定会有。考察方式有两种：一是直接让你算输出尺寸，二是算感受野。输出尺寸公式是 output = (input - kernel + 2 * padding) / stride + 1，这个必须烂熟于心，注意stride不能为0，除法要向下取整。
感受野计算反而是很多人容易丢分的地方。简单说，感受野是输出特征图上每个点对应到输入图像上的区域大小。计算公式是从最后一层往前递推的，第i层感受野 = 感受野(i-1) + (kernel_i - 1) * stride(1..i-1的累乘)。比如一个3x3卷积叠加一个3x3卷积，输入是5x5，第一层输出3x3，第二层输出1x1，这个1x1点对应的感受野其实是5x5，而不是3x3。
面试时经常追问“为什么深度网络对目标尺寸变化相对鲁棒”，答案核心就在感受野上：深层的特征虽然分辨率低，但每个点能看到更大的原始区域。这种题不仅考公式，还考理解，能说出“为什么要增大感受野”才能拿高分。
3.2 池化：不只是降采样那么简单
A卷选择题里大概率会出现池化相关题目，因为池化原理简单，但坑最多。平均池化保留整体背景信息但会模糊纹理，最大池化保留最显著响应但容易丢失细节，全局平均池化常用在分类网络末端替代全连接层以减少参数量。
一个高频考点是池化层的反向传播如何实现。最大池化反向传播时，梯度只回传到前向传播中最大值对应的位置，其他位置梯度为0；平均池化反向传播时，梯度平均分配到池化区域内的每个位置。这个细节如果只看论文不手推，很容易出错。
还有一个容易被忽略的细节：池化的padding问题。虽然最大池化一般padding为0，但某些轻量网络里会使用带padding的池化，计算输出尺寸时要注意stride和padding的配合。笔试时遇到池化题，建议先把输入尺寸、核大小、stride画个简单的格子图，再动手算，不要凭心算。
3.3 激活函数与梯度问题：为什么ReLU是标配
激活函数是深度学习基础中的基础，A卷简答题和选择题中经常出现。你要重点掌握Sigmoid、Tanh、ReLU及其变体（Leaky ReLU、PReLU、ELU）的公式、导数、取值范围和优缺点。
核心考点是梯度消失。Sigmoid的导数最大值只有0.25，多层链式相乘后梯度迅速趋近于0；Tanh虽然以0为中心，但导数最大值也只有1，深层网络中依然会有梯度消失风险。ReLU的正区间导数为1，梯度能有效回传，且计算极简，所以成了标配。
但ReLU也有经典问题：负区间梯度恒为0，会导致部分神经元“死亡”。A卷可能会让你“简述ReLU dying问题及解决方案”，你要答出Leaky ReLU、PReLU和随机化ReLU等改进思路，最好补充“初始化方法和学习率设置对ReLU死亡的影响”。这些需要真正调参经验才能答得深入。
3.4 损失函数：交叉熵、合页损失与Focal Loss
损失函数题通常结合分类任务来考。交叉熵是图像分类最常用的损失函数，公式是L = -Σ y_i * log(p_i)，其中y_i是one-hot标签，p_i是softmax输出的概率分布。
高频推导题是“求Softmax交叉熵损失的梯度”。这个推导的结果非常优雅：∂L/∂z_i = p_i - y_i，即模型预测概率与真实标签的差值。这个结论在面试中几乎必问，回答时要说明推导中间的约简过程，重点是在softmax的分母求导时利用“一个样本只属于一个类别”的性质。
除了分类损失，目标检测中常用的损失也值得关注。2018年Focal Loss刚刚提出不久，如果A卷简答题考察“正负样本不均衡如何解决”，你能答出Focal Loss的原理，说出它通过调整难易样本的权重系数来缓解类别不平衡，会是很亮眼的加分项。
3.5 优化器：SGD、Momentum、Adam怎么选
优化题也是A卷必考。选择题常考“以下哪个优化器同时使用了一阶矩和二阶矩估计”，答案是Adam。简答题可能考察“SGD和Adam的区别以及实际使用中的选择策略”。
这里我要说一个很多应届生容易忽略的点：笔试里写“Adam效果最好”大概率只能拿一半分，因为在实际工程中，SGD加Momentum在很多视觉任务上最终的泛化能力反而优于Adam，尤其是图像分类这种需要精细调参的场景。Adam的优势是前期收敛快、对学习率不敏感，适合快速验证；SGD+Momentum的收敛曲线更平滑，最终精度通常更高。
A卷如果出“你如何调整学习率”，你需要答出：预热、阶梯下降、余弦退火、ReduceLROnPlateau等多阶段策略。最好举例说明，比如“我训练ResNet-50时会先用5个epoch的warmup让学习率从0线性升到0.1，再按epoch数做余弦退火”。这种描述能明显拉开和“只会设一个固定学习率”的考生的差距。
3.6 Batch Normalization：训练与推理的区别不能搞混
BN是2018年工业界几乎每份笔试题都会涉及的考点，因为它在实战中使用太频繁了。A卷大概率从原理和工程两个维度进行考察。
原理上，BN在训练时使用每个mini-batch内的均值和方差对激活值做归一化，然后通过可学习的缩放和平移参数恢复表达能力。这里有一个关键点：推理时不能使用批内统计量，因为推理时的batch size可能为1，统计量噪声大，必须使用训练阶段滑动平均累积的全局均值和方差。
工程上，A卷可能让你说明“为什么BN能加速训练并能使用较大学习率”。答案要点有两方面：一是归一化让每层输入分布相对稳定，缓解了内部协变量偏移；二是损失曲面被“抹平”后，梯度方向更稳定，因此可以承受更大的学习率。自己训练过网络的同学会知道，加了BN之后使用0.1的学习率不再是疯话，这就是直观感受。
4. 深度学习模型部署与训练提效：当年不考但今天必问的隐藏考点
4.1 从“训练出模型”到“模型能用”：浮点数精度是绕不开的坎
2018年这份笔试题把主力放在模型原理上，但当年在工程面试中，你已经能感受到“部署”话题的分量。到了今天，深度学习岗位的笔试面试几乎必考模型部署和浮点数精度选型，所以我在这篇复盘里专门补上这个知识点。热搜词里也有一串“fp32、fp16、bf16、tf32”相关的词条，说明大家对这个方向的需求很强。
先说浮点数的基本结构。FP32就是单精度浮点数，由1位符号位、8位指数位和23位尾数位组成，表示范围大约从1.18e-38到3.4e38，精度大约是7位有效十进制数字。FP16则用1位符号位、5位指数位和10位尾数位，表示范围大幅缩小，最大只有65504，精度约3位有效十进制数字。BF16是Google为深度学习提出的格式，用1位符号位、8位指数位和7位尾数位，表示范围和FP32一致，但精度只有约2到3位有效十进制数字。TF32是NVIDIA针对TensorCore设计的格式，指数位与FP32一致，尾数位约10位，精度介于FP16和FP32之间，主要用于加速矩阵乘法的同时保持较好的收敛稳定性。
笔试或面试中常见的设问是“训练时用FP16为什么会损失精度，怎么解决”。这里的关键在于FP16的指数位只有5位，最大只能表示到65504，而深度学习梯度在反向传播过程中很容易超过这个范围，产生溢出。解决方案是混合精度训练：主权重保留在FP32中，前向和反向计算用FP16加速，同时使用动态损失缩放（Loss Scaling），在反向传播前把损失值放大一个因子，计算完梯度再缩小回去，避免梯度下溢。同时，在需要更高数值稳定性的操作（如Batch Normalization的统计量计算）中保持FP32。
4.2 推理阶段的量化与选型：为什么INT8是部署的最终归属
除了训练加速，推理阶段的数值精度选型更是产品上线时的核心问题。在移动端或嵌入式设备上，INT8量化是使用最广泛的方案，因为8位整数乘法在硬件上速度大约是FP32的2到4倍，模型体积也缩小到原来的四分之一。
这里注意，量化不是简单地把权重变成int8，而是要做校准和后处理。常见流程是：用一小部分验证集数据输入模型，统计每层激活值的分布范围，确定缩放系数（scale）和零点（zero point），把FP32的权重和激活映射到int8的整数范围。Post-Training Quantization是PTQ，不需要重新训练，速度快但精度损失明显；Quantization-Aware Training是QAT，在训练阶段就模拟量化误差，让模型权重适应低精度表达，精度损失可以控制在1%以内。
面试官常问“你如何在部署中选择FP16和INT8”，我的建议是根据任务容错度判断：如果业务对精度极其敏感，比如医疗影像，用FP16甚至FP32；如果是视频内容理解、封面择优这类对单点误差不敏感的任务，直接上INT8，能大幅降低延迟和带宽压力。这里没有银弹，必须用数据说话。
4.3 模型压缩与加速：剪枝、蒸馏、轻量化网络
与浮点数精度结合的另一个常考点是模型压缩和加速。A卷虽然更多考察网络结构本身，但算法设计题中“如何保证实时性”这类问题很可能涉及压缩方案。
结构化剪枝是最经典的做法：把不重要的卷积通道或者整个滤波器移除，然后微调恢复精度。判断“不重要”的常见方法有：按权重绝对值之和排序，绝对值之和小的通道对输出贡献弱，优先剪掉。也有人用稀疏化训练，在损失函数中加入L1正则化，让部分权重趋于零，再把对应通道剪掉。
知识蒸馏是另一条路线，用一个参数量大、精度高的教师网络去指导一个小学生网络学习。具体做法是在训练损失中同时加入硬标签的交叉熵损失和软标签的KL散度损失。软标签是教师网络输出的概率分布，包含了类别间相似度的“暗知识”。面试中如果你能举例说明“用ResNet-50蒸馏出一个参数量小5倍的MobileNet，精度只损失不到1个点，推理速度快3倍”，面试官会非常认可你的工程认知。
4.4 环境配置与调试经验：笔试不考但实战必备
铺垫了这么多部署和精度知识，我想特别提醒一下正在准备笔试的同学们：这些内容笔试不一定直接做题，但面试环节很可能被连环追问，尤其是当你写到“熟悉模型部署”的时候。所以最好在笔试复习阶段就把本地的深度学习环境装好、跑通，哪怕只是训练一个小的分类模型，也会让你对浮点数精度、显存占用、训练收敛速度有非常直观的认知。
环境配置是很多新手第一道坎。我当时用Ubuntu 22.04配深度学习环境踩了不少坑，后来总结了几个关键点：NVIDIA驱动、CUDA、cuDNN和PyTorch的版本必须严格匹配，尤其是PyTorch，不同版本编译时对应的CUDA版本不同，装错会直接报“No CUDA GPUs are available”。一个比较稳的路径是直接用pip安装对应CUDA版本的PyTorch官方向导里的命令，不需要单独装CUDA toolkit。
实际工程里还会遇到“驱动安装了没反应”的问题，通常是因为Nouveau开源驱动没有被屏蔽，或者Secure Boot没有关闭。你先用nvidia-smi确认显卡是否被识别，再用cat /proc/driver/nvidia/version确认驱动版本，最后用python -c "import torch; print(torch.cuda.is_available())"验证PyTorch是否调用到了GPU。这个排查顺序能处理90%的环境问题。
5. 经典算法设计题拆解：答题框架比答案本身更重要
5.1 设计一个实时人脸美颜方案
这份A卷很可能出现与欢聚时代主业强相关的算法设计题，实时人脸美颜就是最典型的设问之一。这类题的回答框架建议按下述顺序展开：需求分析、技术选型、模型结构、训练数据、部署优化。
需求分析要点是明确两个指标：分辨率（比如720P或1080P）和帧率（比如30FPS）。如果你能说出“在移动端720P输入、单帧处理时间不超过30ms”，说明你考虑过实时性的边界。
技术选型上，传统磨皮可以用双边滤波或导向滤波，但基于深度学习的方案更完整。我要说的是，美颜不是单个模型搞定一切，而是多任务协同的，包含人脸检测、人脸关键点定位、人脸解析分割、肤色检测、局部特征增强等多个模块。人脸检测可以用轻量化的RetinaFace或MTCNN，关键点用PFLD或MobileNet版的人脸对齐网络，人脸解析用BiSeNet这样的实时分割网络，最后再做图像融合。
模型结构这块，建议把三块职责分开：检测器负责框出人脸，关键点模型给出106点或68点的坐标，分割模型输出逐像素的皮肤掩膜。然后根据关键点定位眼睛、嘴巴、脸颊等区域，对分割出的皮肤区域做磨皮、美白、瘦脸、大眼等局部变换。回答时如果能补充“瘦脸用局部仿射变换或网格变形，而不是简单模糊”，会显得更有工程细节。
训练数据这块，你需要说明数据来源和标注方式。人脸关键点可以用公开数据集WFLW、300W做初始训练，再用业务数据微调；皮肤分割数据可以通过半自动标注方式生成，先把人脸区域用传统方法粗分割，再人工修正。如果你能提到“用仿真数据增强来增加不同光照条件下的鲁棒性”，就更完整了。
最后部署优化上，可以提到：模型剪枝和INT8量化、TensorRT加速、多模型共享计算图的技术、把检测和分割合并到一个模型来减少调用开销。整体思路是让面试官看到你有端到端的产品意识，而不只是会训练模型。
5.2 设计一个视频封面自动择优系统
另一个常见设计题是视频封面选取。这个问题贴近内容分发场景，考察的是多模态信息融合能力和业务目标拆解能力。
基础思路是：按时间轴均匀抽帧或按镜头检测结果抽关键帧，然后对每一帧打分，选最高分输出。打分维度要有多个：美观度（构图、清晰度）、显著性（是否包含人脸、是否有文字、是否有吸引眼球的物体）、信息量（能否代表视频内容）、合规性（是否违规）。
你能答出“用人脸检测保证封面里有人脸且表情自然”“用OCR检测文字区域避免封面被文字遮挡”“用图像质量评估网络打清晰度和美观度”这些点，已经是很完整的方案了。如果再进一步，可以把点击率预估模型融入封面打分，用历史封面和点击率数据训练一个浅层模型，让封面选择从“主观美观”进化到“数据驱动”。这种思路在2018年的笔试里一写出来，基本就是加分项。
5.3 算法设计题的通用答题模板
从上面两个例子，你能看到算法设计题是有固定套路的。我总结了一个四步模板：任务拆解、指标定义、方案选型、落地验证。
任务拆解是把一个模糊的业务需求拆成清晰的技术子问题，比如人脸美颜可以拆成检测、关键点、分割和图像增强四个子任务。指标定义是明确效果和性能的度量方式，比如准确率、召回率、推理时延、内存占用。方案选型是给每个子任务选择合适的方法并说明理由。落地验证是说明训练数据怎么来、模型怎么评估、出现问题怎么迭代。
我见过太多同学在算法设计题上写得很散，东一句“用深度学习”，西一句“效果很好”，没有主线。其实命题人根本不期待你给出一个完美的方案，而是看你的思考结构。你把四个步骤写清楚，每步写两三句话，已经能拿大部分分数。
6. 当年踩过的坑和答题经验
6.1 时间分配：先写会写的，别在推导题上死磕
2018年我考这类笔试时，最大的教训就是时间分配失误。A卷总体量不小，除了选择题还有大量简答和推导，我的习惯是按顺序做，结果在交叉熵Softmax梯度推导上花了快二十分钟，后面算法设计题时间不够，只能草草写框架。
后来我总结出一个更稳的策略：拿到试卷先花2分钟浏览全部题目，判断难度分布。第一轮先做所有选择题和填空题，这些题是纯记忆类，做得快还能增强信心。第二轮做简答题，尽量把关键公式和关键词写出来，不追求篇幅，但追求踩点准确。第三轮专攻计算推导题，留出20到30分钟的整块时间。最后一轮写算法设计题，即使时间紧张，也要把模板四步的标题写出来，因为阅卷经常是按点给分的。
6.2 公式和步骤写得越清晰，越能拿到过程分
笔试阅卷不是只看最终结果，推导过程对得分的影响非常大。以手推反向传播为例，如果你最终公式写错了，但中间张量维度和链式法则步骤是对的，阅卷人通常会给一半分。
我建议计算推导题按照“变量定义、前向传播、链式分解、梯度聚合、结论标注”五步来写。先把所有变量的shape用括号标注出来，防止自己在推导中搞混维度。然后写z = Wx + b，a = σ(z)，L = loss(a, y)这样的前向关系，再逐一写∂L/∂W、∂L/∂b、∂L/∂x的表达式。每一步都标注用的是哪条链式法则、涉及哪个中间变量。这种写法在时间压力下不仅能减少自算错误，还能让阅卷人一眼看清你的思路。
6.3 简答题的“名词解释+原理说明+实例补充”三段式
简答题想要拿高分，不能只写定义。比如问你“什么是过拟合”，别写“模型在训练集上表现好，在测试集上表现差”就结束，这样太单薄。
我习惯用三段式回答：先给一个名词的准确定义，再用两三句话解释背后的原理，最后补充一个实际例子。以过拟合为例：“过拟合指模型过度学习训练数据中的噪声和细节，导致泛化能力下降。其原因通常是模型容量大于数据有效信息量，优化过程把不可泛化的模式也拟合进去了。比如训练一个ResNet-50只有1000张图，训练准确率能到99%，但测试准确率只有70%，这就是典型的过拟合。”这样回答信息量足，有理论有案例，得分自然高。
6.4 笔试之外：能写代码的人赢在面试环节
这里我想多说一句，笔试只是第一关，真正决定Offer的是面试环节。你笔试答得好，说明理论扎实，但面试官一定会追问项目经验和代码能力。尤其是图像算法工程师，手撕代码几乎是必考，NMS、IoU计算、数据增强、随机裁剪这些常见代码必须能闭着眼睛写出来。
建议在准备笔试的同时，把NMS的Python实现、PyTorch自定义Dataset、用OpenCV做数据增强这些基础代码各写三遍。写到不看参考能流畅写完的程度，面试时才有底气。我当时面试被问“写一个NMS的CPU实现”，这题不难，但很多人一紧张就忘了排序的细节和循环跳出条件。平时的肌肉记忆在关键时候非常有用。
7. 从2018到现在的技术对比：老题的新考法
7.1 同样的知识点，考察深度完全变了
回到这份A卷本身，如果把它放在今天的语境里重新做，一些题目的答案难度和角度已经发生了变化。
比如当年问“目标检测两阶段和单阶段的区别”，你答出“两阶段先生成候选框再分类，单阶段直接回归类别和位置”就能过关。但今天再问同样的问题，面试官大概率会追问：“为什么一阶段模型在小目标上效果差一些？”“怎么样改进anchor free的方法？”“YOLOv8和DETR的端到端检测思路有什么本质不同？”如果你不了解近几年的技术演进，光靠2018年的知识点就会明显吃力。
另一个典型例子是优化器问题。当年Adam还是高频考点，现在面试会直接问你“AdamW和Adam的区别是什么”“为什么大模型训练通常用AdamW而不是Adam”。原因是AdamW把权重衰减从梯度更新中解耦出来，让L2正则化真正作用于权重本身，在大规模模型上收敛更稳定。这种从“考知识”到“考技术演进”的变化，要求你复习时不能只看当年的资料，还要看最新的技术趋势。
7.2 浮点数精度和部署能力，成为新的拉分项
2018年笔试的重心在模型训练原理，但到了今天，模型部署已经成为算法工程师的必备技能，浮点数精度也因此成为新的笔试面试热点。你在准备这份A卷时，如果只看旧题而不补充部署知识，反而会错过面试官真正想考察的能力。
我建议把“FP32、FP16、BF16、TF32、INT8量化、混合精度训练、TensorRT加速”串成一条知识线来复习，每个知识点至少能回答三问：它是什么，解决了什么问题，使用场景是什么。面试官如果从“你了解混合精度训练吗”一路追问到“BN层在精确保留时需要怎么处理”，你要能跟上节奏。
还有一个容易被问到但很多人答不上来的细节：为什么混合精度训练中需要Loss Scaling。根因是FP16的表示范围太小，梯度在反向传播中容易下溢到0。你先算一下FP16能表示的最小规格化正数约为6.1e-5，而深度学习训练的反向梯度经常小于这个值，如果不做缩放，梯度直接变0，网络根本学不动。这个解释非常直观。
7.3 当年“会做”和现在“会用”的差距
这份A卷让我感慨最深的一点是：2018年很多知识点，我们当时是“为了考试而学”，考完就忘；但今天再回头看，它们每一个都有实际的生产价值。比如Focal Loss，当时只是听说过，现在做检测模型训练调参时，它依然是处理正负样本不平衡的第一选择；NMS，当时只是在草稿纸上画框，现在写代码的时候还要考虑它的并发优化。
所以我的建议是：不要把这套A卷当成一次性考试资料，而是把它当成一个知识索引。每个考点都问自己一句“这个知识在真实业务里能解决什么问题”，带着这个问题去复习，你会发现自己不再是被动背书，而是真正在建立自己的算法知识体系。笔试只是敲门砖，体系化思考才是让你在行业里长期立足的根本。
7.4 给正在准备图像算法岗的复习顺序建议
如果你现在正要投递图像算法工程师岗位，我推荐一个三阶段复习顺序，能覆盖A卷里大部分考点并补齐新知识：
第一阶段打基础：把卷积、池化、感受野、激活函数、损失函数、优化器、BN这些基础原理过一遍，公式自己推一遍，重点标记出推导过程中卡壳的地方。这几天只做这一件事，不打代码。
第二阶段做项目：找一个公开数据集跑一个小型项目，比如用PyTorch训练一个ResNet-18做CIFAR-10分类，然后尝试混合精度训练和INT8量化推理。边训练边记录显存、速度、精度的变化，这不仅能加深对浮点数精度的理解，还能成为你面试时讲的真实项目经历。
第三阶段刷综合题：把历年校招笔试题拿出来，按题型限时模拟，计时做题。做完不是对答案就结束，而是每一道错题都找配套知识点重新复习一遍，直到能给别人讲清楚为止。
这套复习路线需要大概三到四周，每天三到四小时。坚持下来，不仅这套A卷你能从容应对，同类企业的笔试面试也没有大问题。我个人带过不少应届生，凡是这套路线走完的，笔试通过率至少在七成以上。
