《AI未来星球》陪伴成长的人工智能社群，价值过万的各种内部资源及活动，限时特惠中，点击查看。

求职跳槽福利：为了便于大家求职、跳槽的准备，大白将45家大厂的面经，按照知识框架，整理成700多页的《人工智能算法岗江湖武林秘籍》，限时开放下载，点击查看下载。

---

面经整理历程：经过一年多的努力，大白整理了超过3500篇，各类大厂的算法面经资料。

并将涉及到的知识点，按照知识框架，分类汇总，每个公司整理成一篇，比如本文的网易面经。

大家对照面经，可以了解心仪的公司，会根据你的简历，问哪些知识点？便于大家对掌握的知识，进行回顾梳理。

希望为大家在求职或者跳槽的道路上，提供一些帮助，为大家取得心仪的offer助力。

面经整理心得：大白也将整理所有面经的心得，写成了一篇文章，点击查看心得。

其他大厂面经：国内其他大厂的面经汇总，点击查看目录。

网易面经整理：江大白

1 网易面经汇总资料

1.1 面经汇总参考资料

① 参考资料：

（1）牛客网：网易面经-85篇，网页链接

（2）知乎面经：点击进入查看

（3）面试圈：点击进入查看

② 面经框架及参考答案：

（1）面经知识框架：点击进入查看

（2）面经参考答案：点击进入查看

1.2 面经涉及招聘岗位

（1）实习岗位类

【网易机器学习实习岗】、【杭州研究院图像算法实习生】

（2）全职岗位类

【网易游戏研发工程师】、【网易考拉机器学习工程师】、【网易考拉NLP工程师】、【数据挖掘工程师】、【网易有道云算法工程师】、【网易雷火机器学习】、【网易互娱NLP】、【网易云音乐机器学习】、【网易严选算法工程师】、【网易云音乐机器学习】、【网易云音乐音频算法工程师】

1.3 面试流程时间安排

PS：以上流程为大白总结归纳所得，以供参考。

其他注意点：

● 第三面，技术Leader总监面，有的人有，有的人没有

1.4 网易面试心得汇总

★ 先准备简历，简历干净凝练，最好所有内容都直指一个方向，最重要的是，简历上的任何东西一定要搞的明明白白，并且可以侃侃而谈，这很关键。

★ 相当重视基础，问的比较偏特征工程。先聊项目论文和实习，但是没细问。

★ 主要是问项目，然后根据项目里问一些细的技术点，每个项目都仔细问，确认是不是本人做的。

★ 面试官的风格是连环追问，你说一个答案他会在你基础上再问，为什么用这些？

2 网易面经涉及基础知识点

2.1 图像处理基础

● 传统图像处理：边缘检测、均值滤波、霍夫变换

2.2 深度学习：CNN卷积神经网络方面

2.2.1 讲解相关原理

2.2.1.1 卷积方面

● 1*1卷积的作用？

● CNN卷积核的计算，参数量怎么算?

● 传统卷积核depthwise conv的区别？

● 是否了解空洞卷积?

● 卷积核参数怎么算，DW卷积参数怎么算？

● 简历中提到了dropout，那具体说下dropout操作细节、怎么解决dropout之后输出值减小的问题

● Dropout、BN的原理、训练过程以及测试过程的具体做法？

● CNN可视化特征？

● CNN原理，池化的目的？

2.2.1.2 池化方面

● 介绍CNN为什么要用池化层？

2.2.1.3 网络结构方面

● shuffleNet v2，mobileNet v2的结构？

● senet结构？senet为什么是这样的？为什么非要加池化呢？

● ResNet50的bottleneck结构（conv1+bn+ReLU+conv2....)，与ResNet18差别？

● 了解哪些backbone，MobileNet v1 v2 v3的差别？

● resnet比alex vgg一类有什么好处？

● 为什么resnet可以深一些？

● VGG优点，resnet优点特点？

2.2.1.4 其他方面

● 介绍下CNN原理？CNN之所以成功的原因是什么？CNN的参数共享是什么？

● BN的原理，BN的训练和测试的区别，讲一下过程？

● BN层介绍，作用，为什么？

● BN层参数有几个，forward怎么计算？

● 说一下BN的归一化操作放在激活前还是激活后，两种有什么区别？

● 梯度爆炸和梯度消失原因，解决策略？

● 深度学习权重初始化方法有哪些？

● relu为什么可以解决梯度消除，除了这个好处还有什么好处？

2.2.2 数学计算

● 输入图像N*N，卷积核k*k，问计算方式，时间复杂度？补充：单通道情况O(N*N*k*k)，如何优化？提示了重复计算？

● 输入n*n*1，卷积和k*k*6， 问输出尺寸和参数量？

2.2.3 公式推导

● Softmax公式？

2.3 深度学习：RNN递归神经网络方面

2.3.1 讲解相关原理

● 介绍下RNN？

● RNN的改进有哪些？讲lstm和gru，对于更长的序列怎么处理

● LSTM和RNN的区别？lstm为什么好？

● LSTM的思想，原理，结构和公式?

2.3.2 手绘网络原理

● 推一遍LSTM？

● RNN原理，画一下？

● 写RNN公式

2.4 深度学习：CNN&RNN通用的问题

2.4.1 基础知识点

● Attention机制及它是如何聚焦的？

● 交叉验证的原理，作用，与直接划分训练集和测试集相比的优点？

● 数据增强方法？

2.4.2 模型评价

● 如何衡量模型性能，指标如何计算？常用的评价指标及含义？

● AUC的意义，ROC的绘制方式，AUC的优势（不平衡数据集的情况）

● 如何评价一个分类器，AUC的工程计算方式，ROC曲线?

2.5 传统机器学习方面

2.5.1 讲解相关原理

2.5.1.1 数据准备

● 数据清洗如何做?

● MCMC如何实现抽样，MH和GIbbs抽样的区别，详细讲一下他们都是怎么实现的？

2.5.1.2 特征工程

① 特征降维

● 降维方法有哪些？PCA的原理，作用?

● SVD的原理？

② 特征选择

● 常用特征选择的方法？如何把类别型数据转为数值型？数据缺失值处理？

2.5.1.3 有监督学习-分类和回归方面

① 分类回归树（集成学习）

● 为什么两个重分类分支融合的不做bagging和boosting，两个概念的本质上是什么意思，为什么效果会变好呢？，boosting为什么多个分类器合在一起效果就变好了？

● xgb、gbdt、RF区别与联系、xgb的优势？RF/AdaBoost/GBDT 怎么做推断?

A.基于bagging：随机森林

● 随机森林了解吗？随机森林是什么，每棵树有啥区别？对比了一下RF和GBDT？

● 随机森林/adaboost/gbdt的原理，相同点不同点。在训练和测试阶段各是如何进行的?

● 随机森林的树会不会限制它的生长（不会），gbdt的树呢（会），为什么？

● 随机森林和GBDT的差异描述一下？

B.基于boosting：Adaboost、GDBT、XGBoost

● 介绍一下GBDT？GBDT有哪些可调的参数呢？一般怎么选取参数呢？

● GBDT如何进行多分类？

● 讲一下xgboost的原理 ?xgboost 的过程、损失函数?为啥泰勒展开成二阶，作用？

● 为什么XGBoost效果好于随机森林?RF怎么解决的过拟合问题？

● 如何做特征选择，xgboost做特征选择的时候，重要性是如何确定的，信息增益做特征选择如何做的，特征选择方法？xgboost如何一步步构建分类树的？

② 线性回归

● 线性回归和逻辑回归区别？

③ 逻辑回归LR

● 介绍下逻辑回归原理？逻辑回归推导？

● LR，SVM怎么算的，损失函数是什么？

● LR处理的特征是离散的还是连续的？离散化，会有什么影响吗，比如一个特征取值0-1，需要离散化吗？

● 写LR的公式和loss function

● LR的loss是什么？

● 把LR的loss改成平方损失可以么？为什么？

● LR的梯度下降有几种优化器？

● LR中存在相同特征的话，对模型预估有影响吗？

④ SVM

● SVM了解吗？（SVM是通过最小间隔最大化寻找超平面）；为什么么要最大化最小间隔呢？

● SVM需不需要做 normalization？

● SVM和LR的区别？

● SVM有哪些核函数，对应有哪些使用场景和特点？

● 对于SVM，假如先把数据映射到高维，然后不使用核函数，如何？为什么大多数人选择使用核函数？

⑤ 决策树（DT）

● 说一下决策树的原理？

● 决策树的分裂策略：ID3，C4.5，Gini指数，选一个讲一下？

● ID3、C4.5、CART的区别

● 写信息增益、信息增益率、基尼系数的公式，讲解原理

● 树有几种剪枝的方式，各有什么优缺点？

2.5.1.4 无监督学习-聚类方面

● 问了kmeans的计算过程?

● 哪些条件对kmeans的影响最大？k值选取？

● kmeans 时间复杂度和空间复杂度?

● kmeans和EM算法的关系，哪一步是E步，哪一步是M步？

2.5.2 手推算法及代码

2.5.2.1 手推公式

● 完整推导SVM?

● LR公式写一下？

● GBDT推导一下?

2.5.2.2 手写代码

● 手写Kmeans

2.6 深度学习&机器学习面经通用知识点

2.6.1 损失函数方面

● 常用loss函数？

● 写一下多分类交叉熵的公式?

● 解释triplet loss，详解triplet loss，triplet loss 反向传播？

● 分类为什么用交叉熵？

2.6.2 激活函数方面

● 各种激活函数介绍一下，优缺点及适用场景？

● 激活函数的作用？

● sigmoid和softmax的区别？

● 为什么使用sigmoid激活函数会导致梯度消失？

2.6.3 网络优化梯度下降方面

● 用过那些优化器，SGD和Adam分别在什么情况下使用？

● 牛顿法和拟牛顿法讲一下过程？

● 有哪些二阶优化方法，牛顿法存在什么问题？

● sgd和adam的区别，有啥优点？

● bgd，sgd，mini-bgd的区别？

● 手推：adam, sgd, momentum,rmsprop，通过公式解释一下为什么他们能优化？

● 最优化方法，ADAM？

● FTRL、牛顿法懂吗？

● SGD与牛顿法的区别在哪？

2.6.4 正则化方面

● 各种正则化原理、方式及各自优缺点？L1 和 L2正则的区别？

● 从数学角度讲一下正则项为什么能防止过拟合？

● 写一下LR的损失函数，加上L1 /L2正则化；然后解释原理，分析不同点，怎么用？

2.6.5 压缩&剪枝&量化&加速

● 剪枝用了哪几种方法，怎么训练的？

● 用过量化吗？，模型训练完成后32bit怎么量化为8bit？

2.6.6 过拟合&欠拟合方面

● 描述下过拟合和欠拟合？

● 如何判断过拟合，如何解决过拟合？

● 为什么会减小过拟合的风险？（惩罚非线性参数的力度较大，减小模型非线性的程度）

3 网易面经涉及项目知识点

3.1 深度学习：CNN卷积神经网络方面

3.1.1 目标检测方面

3.1.1.1 讲解原理

● 目标检测的整个流程，包括数据处理、模型训练、模型选择？

● 说说Faster-RCNN，YOLO，SSD，FPN？

● Faster-rcnn的训练过程是怎样的？

● 目标检测中的mAP？

● 介绍你用过的一个目标检测算法？

3.1.1.2 损失函数

● focal loss介绍？

3.1.2 OCR

● CTPN原理，文字识别的实现，遇到的问题，数据集，做的改进？

● 车牌识别实现，遇到的问题，数据集，数据增强？

● 文字检测的一些trick说一下？

● 最新的文字检测方法了解吗？

3.1.3 超分辨

● 超分算法的缺陷及改进方向？

● 超分落地要考虑哪些问题？

● 如何将超分算法与视频压缩相结合？

● 超分算法中不同采样方式的对比？

3.1.4 目标重识别

● ReID常用的方法？三元组损失怎么训练？

3.1.5 音频算法

● 用到的模型，以及对Kaldi和端到端的了解？

● 在语音降噪过程中，怎样实现噪声估计？

● 使用模型降噪的原理？

● 语音识别用到的模型？

● OMLSA？MCRA用过吗？

● FIR和IIR？

● 16K重采样到8K，怎么做？

● MFCC的原理？

● 频率分辨率

● 如何做卷积？

3.2 深度学习：RNN递归神经网络方面

3.2.1 自然语言处理NLP

① Bert

● BERT、GPT、ELMO之间的区别?（模型结构、训练方式）

② CRF

● CRF的原理讲一下？

③ Word2vec

● 讲一下word2vec怎么实现？

● Word2vec和bert区别?

● word2vec的缺点，word2vec的输出是什么？

● Word2vec，负采样，层次归一化？

④ 其他

● 画出fasttext的网络结构，描述其在分类和embedding时的区别。详述训练过程

● 介绍方面级的情感分析模型？情感分析任务用哪个数据集？

● tfidf的计算公式？

● 如何进行句子编码，提取句子的特征向量，有哪几种方式（CNN，LSTM，Attention），各种方式的优缺点？

3.3 强化学习

3.3.1 讲解原理

● 用过的CycleGAN介绍一下

● 了解GAN吗，简单介绍一下？

● GAN在文本生成中如何应用?

● 如何解决GAN中文本离散的问题?

● 如何解决GAN中生成器与判别器训练不平衡的问题?

● 为什么用PPO算法？

● 讲一下A3C异步效果为什么可能不收敛？

● 提升样本使用效率还有什么方案？

3.3.2 损失函数

● 介绍GAN，实际实现中的loss是什么?

3.4 机器学习方面

3.4.1 推荐系统

● 讲一下协同过滤的原理?

● FM公式?

● deepFM的原理？

4 数据结构与算法分析相关知识点

4.1 数据结构与算法分析

4.1.1 线性表

4.1.1.1 数组

● 在乱序数组当中找出中位数?

● 求数组的最长子集，整个子集满足所有的元素两两模除为0?

● 两个一样的数组，其中一个数组插入了一个数，如何找到它的位置？

● 一个二维数组从左到右，从上到下都是增大的，找一个数，又问了时间复杂度？

● 数组有n个整数，每次对n-1个数全部加1,求最少几次让所有的数相等?

● 16进制转10进制，最好用C语言来写，实在不行也可以用python。

4.1.1.2 链表

● 环形链表 判断有无环

● 找环的入口

● 两条链表求第一个公共节点？

● 两个不等长链表的公共节点？

● 合并两个有序链表？

4.1.1.3 字符串

● 翻转字符串

● 给个字符串，返回最长无重复的子串？

● 找出字符串的所有全排列？

● 求最长匹配括号的长度？

● 给定一个字符串，只保留k位，不改变字符间的顺序，使得字符串字典序最小？

● 给定字符串，求长度为k的字典序最小的子序列？

4.1.2 树

● 哈夫曼树相关

4.1.3 排序

● 排序算法了解吗？快速排序的时间复杂度怎么样呢？快速排序是稳定的吗？有哪些稳定排序算法呢？

● 解释一下排序的稳定性，冒泡排序是否稳定，复杂度多少？

● Topk问题

● 有足够多的数据（内存无法一次性装下），如何获得最大的k个数？

● 写一下快排，讲一下最好和最坏的情况？

● 写快排里的partition函数？

● 介绍堆排序?

● K个最大值：堆排序

4.2 算法思想实战及智力题

4.2.1 算法思想实战

● 洗牌算法，有多少种可能性以及数学证明（很简单，Knuth洗牌算法）

● 图找环方法，有向图和无向图找环区别？

4.2.2 智力题

● 问三个囚犯一碗汤, 每次都分的不均不开心，设计分法让大家都满意？

4.3 其他方面

4.3.1 数论

● 两枚硬币,依次掷，两枚掷完算一次，到第五次两枚第一次同时出现相同的面的期望值？

● 如何在一堆数里确定是否存在某几个数?

4.3.2 计算几何

● 数轴上某些位置有点，每个点都有一个速度和方向（左或右），在零时刻他们开始运动，求第一次有两点相碰的时间？如果只有相反方向的相碰才算，如何求解？

4.3.3 概率分析

● 10000个黑球、10000个白球，混合在一个桶里，无放回的取两个球，异色放白球，同色放黑球，求最后一次是黑球的概率？

● 54张扑克牌，分三堆，其中4张A在同一堆的概率?

● 流数据n个中随机取k个数，每次只能取一个，怎么使取到每个的概率相等？

● 27个球，有一个轻的，找出来最少需要几次？

● 一条绳子切两刀得到的三段线组成三角形的概率？

4.3.4 其他

● 给出n个点的坐标（x1,y1）...(xn,yn)，找出其中离(a,b)最近的点，要求xi,yi,a,b的数字动态变化，实现高频查找？

● 给定一个长度为n的序列，将其分割成若干连续子序列，若这些序列构成的数能整除m，输出相应结果？

● 有序列表合并？

● N的阶乘后面有几个零？

● 求0 - N-1的全排列输出？

4.4 Leetcode&剑指offer原题

● Leetcode 33：搜索旋转排序数组

● Leetcode 518

● Leetcode原题：射气球

● 剑指offer原题：二维向下向右递增的矩阵查找

5 编程高频问题：Python&C/C++方面

5.1 python方面

5.1.1 网络框架方面

5.1.1.1 Pytorch相关

● Pytorch和TensorFlow有什么区别？

5.1.1.2 Tensorflow相关

● 手写了tensorflow的图像分类代码?

● tensorflow有哪些缺点？

5.1.2 基础知识

5.1.2.1 线程相关

● python多线程有多少了解？和c的多线程最大区别是什么?

● python多线程缺点?

5.1.2.2 内存相关

● Python怎么做内存回收?

5.1.2.3 区别比较

● Python xrange和range差别？

● 装饰器及多进程和多线程区别?

● Python浅拷贝和深拷贝有什么区别?

5.1.2.4 讲解原理

● Python  yield关键字是什么用的？

● 问了Python怎么加速?(np矩阵乘法替代循环)

● Python的命名规则、self、lambda、with、循环引用

5.2 C/C++方面

5.2.1 基础知识

5.2.1.1 内存相关

● C++的栈区和堆区知道吗？分别是干什么用的？（栈区是存储函数内部变量的内存区，堆区是存动态申请的内存）

● 什么时候要进行动态内存申请？（以前没思考过，没答上来，后来查了一下，当无法事先确定对象需要使用多少内存（这些对象所需的内存大小只有在程序运行的时候才能确定）时就要申请动态内存，比如维护一个动态增长的链表或树）

● 栈和函数调用的关系?

5.2.1.2 区别比较

● C++和Python的区别?

● 栈和堆的区别？

5.2.1.3 讲解原理

● 多态，虚函数

● 为什么C++比Python快？

● Python比C++好在哪里（自动能实现内存回收机制）

● C++虚函数（如何实现，有什么功能）、虚函数表

● 类实例化的机制，具体实现是什么？

● stl容器分类？

● 析构函数的基类为什么是虚函数？

5.2.2 手写代码相关

● 16进制转10进制，最好用C语言来写？

● vector排序

6 操作系统高频问题：数据库&线程&常用命令等

6.1 数据库方面

无

6.2 操作系统方面

6.2.1 线程和进程相关

● 进程和线程区别?

6.2.2 常用命令

● 如何查看某进程关联的相关文件有哪些？

7 技术&产品&开放性问题

7.1 技术方面

● 不平衡数据的解决方式，数据分布改变了怎么办？

● 直播中如何判断人眼关注点区域？

● 视频通话场景如何估计噪声？

● h.264压缩优化？

● 图像复原与图像增强的区别与联系？

● 如果有一百万个游戏片段，仅有少数有标记，如何利用这些数据？

● 如果数据的维度很高（3万），如何完成聚类？

● 100W个起始结束IP段以及对应中文名，建一个系统，让它可以很快查找出某个IP对应的中文名？

● 开放题：如何设计一个人脸检索系统（从数据、模型、loss等考虑）

● 开放题：对CV类前景的看法

7.2 产品方面

● 场景题：根据游戏用户反馈的问题，进行信息分类与关键词提取，给出一个比较详细的综合方案（从技术到实际运行）

7.3 开放性问题

● 假如面试官是一个零基础的深度学习学习者，那么有什么建议，如何入门？

● 如果某个事业部想要销量提升20%，作为数据分析人员，给什么方案？