“快手2020校园招聘秋招笔试--算法A试卷”这份卷子我到现在印象还很深。当年坐在电脑前90分钟倒计时一开前面20道选择题还能稳住心态等翻到后面的大题和编程题时才真正体会到什么叫“基础不牢地动山摇”。现在回头看这份算法A卷其实很有代表性既考了经典数据结构和算法也考了不少机器学习和深度学习的基础理论整体难度对刚准备秋招的同学来说不算友好但考点非常集中只要复习方向对拿高分完全有可能。这篇文章我打算从试卷结构、数据结构考点、机器学习与深度学习考点、编程题实战以及复习策略五个角度来拆解尽量还原当时做题的场景和踩过的坑。不管你是准备类似算法岗笔试还是想梳理自己的算法基础这篇文章都能帮你快速定位重点避免像我一样在无关的知识点上浪费时间。1. 快手2020秋招算法A试卷的整体画像与考察逻辑1.1 一份算法笔试卷的典型结构先说说这份卷子的大致构成。快手那几年的校招笔试基本是牛客网或者赛码网在线答题算法A卷属于算法岗专用试卷与开发岗的试卷区别很大。当时我拿到的试卷大致包含四个部分单选题、多选题、简答/推导题、编程题。题目数量大概在30道左右时间通常是90分钟到120分钟。很多人以为算法岗笔试全是编程题这是个误区。快手的算法A卷更看重基础理论的广度选择题占了很大比重而且多选题特别容易失分。单选题主要考察数据结构、算法复杂度、概率统计、机器学习基础多选题则喜欢考察一些容易混淆的概念比如各种排序算法的稳定性、不同优化器之间的差异、正则化方法的适用场景等简答题一般会有一道机器学习公式推导或深度学习模型分析最后的编程题通常是两道一道偏数据结构一道偏算法设计。这种结构背后有它的逻辑。算法岗位在工作中的确会接触到大量模型训练、特征工程、线上推断优化等工作公司希望招进来的人不仅会调参还要懂底层原理。所以笔试阶段就必须筛选出数学基础扎实、代码能力强、对经典算法理解透彻的候选人。换句话说这不是在考“你会不会写代码”而是在考“你有没有完整学过一遍算法与机器学习”。1.2 算法A不是纯数据结构机器学习才是大头如果只把精力放在《剑指Offer》和LeetCode上这份卷子可能连一半分数都拿不到。我当时有个很深刻的体会数据结构和算法题大概只占40%剩余60%分布在机器学习、深度学习、概率统计和线性代数上。就拿“算法A”这个命名来说它对应的应该是“算法岗A卷”不是“算法题A卷”。所以考的内容会更偏算法工程师的日常工作所需而不是纯粹的刷题能力。我记得卷子里出现了逻辑回归损失函数推导、SVM的核函数理解、卷积神经网络特征图尺寸计算这类题目这远比单纯考一个二叉树遍历要难得多。这也是为什么很多科班出身的同学反而容易翻车。大家在学校里学过数据结构、操作系统、计算机网络但机器学习的公式推导如果平时不练笔试时很容易卡壳。我的建议是如果准备的是算法岗复习重心一定要往机器学习理论上压尤其是线性回归、逻辑回归、SVM、决策树、朴素贝叶斯这几个经典模型的推导和比较。1.3 这份试卷适合谁来参考如果你是以下人群之一这份试卷的拆解对你会很有帮助正在准备算法岗校招或实习笔试的同学、想系统梳理机器学习基础理论的工程师、准备跳槽到推荐/搜索/风控等算法方向的从业者。即使你不是2020届这份卷子的考点在历年各大厂的笔试题中也具有很强的代表性换个厂名照样适用。2. 数据结构和基础算法高频考点与实战拆解2.1 高频考点清单从KMP到堆排序数据结构部分整体难度中等偏上但覆盖面很广。从我回忆和后来辅导学弟学妹的经验来看高频考点基本集中在以下几块字符串匹配、二叉树遍历与性质、图的最短路径、动态规划、贪心算法、排序算法及其复杂度分析、哈希表与链表设计题。这里要特别说一下KMP算法。那年正好有一道选择题是给一个模式串要求计算next数组。我看到题目里出现过“在KMP算法中对于模式串pabacaba其next数组”这样的高频热词说明这个考点确实是校招试卷里的常客。KMP的next数组计算看起来简单但很多同学只记得怎么求前缀后缀最长公共长度忘记了next数组的定义有两种常见版本一种是next[i]表示当前字符不匹配时j回退的位置另一种是next[i]表示前缀函数值笔试时一定要看清楚题目给的是哪种定义。再比如堆排序这道题在选择题里会出现“堆排序建堆的时间复杂度”“堆排序是否稳定”这类偏概念的问题在编程题里则可能让你手写一个TopK。堆排序的代码虽然不难但边界条件容易出错比如siftDown操作的终止条件、从哪个节点开始建堆等。我建议复习时不要只看思路一定要手写一遍否则考场上一紧张很容易把index算错。2.2 一道典型编程题数组第K大的完整解法编程题里有一道非常经典的题目几乎每年各种校招笔试都有变体求无序数组的第K大元素。快手算法A卷也出现过类似的题只是把K的定义换了一下要求从0开始计数坑了不少人。这道题最常见的解法有三种直接排序、堆方法O(nlogK)、快速选择O(n)平均。我考试时用的是堆方法代码稳定且不容易出错。Java实现的思路是维护一个大小为K的最小堆遍历数组时如果堆没满就直接加入满了就比较当前元素和堆顶如果大于堆顶就替换并调整堆。public int findKthLargest(int[] nums, int k) { PriorityQueueInteger minHeap new PriorityQueue(); for (int num : nums) { if (minHeap.size() k) { minHeap.offer(num); } else if (num minHeap.peek()) { minHeap.poll(); minHeap.offer(num); } } return minHeap.peek(); }注意题目里K是从0开始计数的那这道题的k就要传k1进去或者直接判断索引。这种细节最坑人笔试没有本地调试环境只能靠平时编码时养成的边界习惯来保命。2.3 复杂度和稳定性选择题里最容易被背刺的地方选择题很喜欢考“以下排序算法中哪些是稳定的”“堆排序的平均时间复杂度是多少”“快速排序在最坏情况下的复杂度是多少”。如果你只是背结论很容易在多选题上翻车因为选项里经常会出现“所有排序算法的最坏时间复杂度都是O(nlogn)”这种错误表述。我当时就栽在一个多选上题目大概是“下列关于排序算法的说法正确的是”里面有一个选项说“归并排序的空间复杂度为O(1)”很多同学觉得归并排序是稳定的就顺手选了。实际上归并排序的空间复杂度是O(n)因为需要额外的数组来暂存数据。所以复习排序算法时不要只看时间复杂度空间复杂度和稳定性也要一起记最好自己画一张表格对比记忆。这里推荐一个方法把所有常用排序算法的平均复杂度、最坏复杂度、空间复杂度、稳定性整理成一页纸笔试前反复看几遍。这张表不仅对快手有用对任何一家公司的笔试都有用。3. 机器学习与深度学习笔试中的“隐形大头”3.1 经典模型推导题逻辑回归与最大似然简答题里很可能出现“请推导逻辑回归的损失函数并说明如何使用梯度下降求解”。这不是简单的记忆题而是要求你现场写公式、做求导。我当时写得还算顺利但现在回顾有几个关键步骤必须特别注意逻辑回归的预测函数是sigmoid函数形式为h(x) 1 / (1 exp(-w^Tx))它的一个重要性质是h(x) h(x) * (1 - h(x))。这个性质在求导时非常关键很多人在这步卡住。接着用最大似然估计对每个样本似然项是h(x)^y * (1 - h(x))^(1-y)取对数后得到对数似然函数然后取负号变成损失函数J(w) -Σ[y log(h) (1-y) log(1-h)]。对w求导时利用sigmoid的求导性质可以化简出简洁的梯度形式grad Σ(h_i - y_i) * x_i。这个结论一定要会推导不要只会背。笔试时要注意题目有时会让你写出梯度更新的完整公式包括学习率。w : w - alpha * grad这里alpha是学习率grad是上一步得到的梯度。整体推导过程其实不超过十行但每一步的符号都要小心翼翼否则一步错步步错。准备这类题型最有效的方式就是不看笔记自己在A4纸上从头推一遍推不出来再回来看书。3.2 常见概念辨析正则化、偏差方差与模型评估选择题中还经常出现偏概念的题比如“L1正则化和L2正则化的区别”“什么是偏差-方差权衡”“AUC的含义”“过拟合的解决方法有哪些”。这些内容看似简单但多选题一旦混合起来就容易漏选或多选。以L1和L2正则化为例L1正则化会把某些特征的权重压缩到0所以具有特征选择的作用这是因为它对应的惩罚项在0点不可导导致最优解容易落在坐标轴上。L2正则化则会把权重均匀地变小不会产生稀疏解。如果题目问“哪些方法可以防止过拟合”选项里有“L1正则化”“L2正则化”“Dropout”“数据增强”那基本上都要选。AUC也喜欢考察理解深度选项可能会说“AUC越大模型准确率越高”这个说法其实不严谨。AUC衡量的是正负样本排序的正确性反映的是模型把正样本排在负样本前面的概率和准确率不是一回事。题目如果问“哪些指标不受样本不平衡影响”AUC和PR曲线都相对鲁棒而准确率则容易被多数类主导。这类辨析题没有捷径只能靠平时多刷题、多总结。3.3 深度学习基础卷积特征图尺寸与感受野计算深度学习部分的题目相对接地气经常会给你一个输入尺寸、卷积核大小、步长、padding让你计算输出特征图的尺寸。公式是out (in 2 * padding - kernel_size) / stride 1。这个公式必须烂熟于心。我遇到的一道题是输入32x32卷积核3x3stride1padding1问输出尺寸。答案还是32x32因为padding补了一圈刚好抵消了卷积核带来的尺寸缩减。感受野的计算也是高频考点。很多人只知道“感受野就是卷积神经网络中每一层输出特征图上的像素点在原始输入图像上映射的区域大小”但不会算。计算感受野需要从最后一层往前推公式为RF_{l-1} stride_l * (RF_l - 1) kernel_size_l注意这里的stride和kernel_size是第l层的参数。如果题目问一个三层3x3卷积堆叠后的感受野答案是7x7。这个结论很常用笔试时可以直接套。还有一个我认为各大厂校招都喜欢考的点就是“梯度消失与梯度爆炸”。选择题可能会问“在深层网络中使用sigmoid激活函数容易导致什么问题”答案是梯度消失因为sigmoid的导数最大只有0.25连乘后梯度会指数级衰减。解决办法包括使用ReLU、BatchNorm、残差连接等。这个考点不难但要注意和“梯度爆炸”区分开梯度爆炸通常出现在深层网络或RNN中解决办法有梯度裁剪、合理的权重初始化等。3.4 冷门但出现过聚类、强化学习与粒子群快手的算法岗覆盖了很多业务方向包括推荐、视频理解、图像处理等所以笔试偶尔也会出现一些“偏冷门”的题目。比如聚类算法中K-Means的优缺点、DBSCAN的参数、强化学习的基本概念、粒子群优化算法的思想等。这些知识点未必每年都考但一旦考到区分度很高。我印象中有一道选择题提到了粒子群算法PSO问的是“粒子群算法中粒子的速度更新受到哪几个因素的影响”。答案是惯性权重、个体历史最优位置pBest和群体历史最优位置gBest。如果你之前完全没接触过这类优化算法看到题会很懵。但如果你曾经了解过一些元启发式算法的共性就能顺藤摸瓜猜出答案。复习建议是不用花太多精力在这些过于冷门的知识点上但至少要知道它们的存在和基本思想混个脸熟就足够应付选择题了。4. 编程题实战从读题到AC的完整流程4.1 编程题考什么边界条件比炫技更重要快手算法A卷的编程题一般有两道一道偏数据结构一道偏动态规划或贪心。整体难度大约LeetCode Medium偏上不会直接考Hard级别的题但会在细节上设置陷阱。比如读题时要特别留意输入范围、K的起始索引、数组是否有序、是否可能有重复元素等这些细节决定了你的代码能否通过全部测试用例。编程题最容易翻车的地方不是算法想不出来而是边界条件处理不当。当年我做一道关于“字符串编辑距离”的题目时初始化dp[0][j]和dp[i][0]时明明记得应该分别等于j和i但一紧张就写成了0结果前几个用例直接错误。这类低级失误在笔试中没有纠错机会所以平时练习时就一定要养成“先写边界再写转移”的习惯。4.2 实战示例最长不重复子串的两种写法有一道编程题很经典就是“给定一个字符串找出其中不含有重复字符的最长子串的长度”。这道题在LeetCode上是第3题快手笔试出现过类似题。最优解是滑动窗口时间复杂度O(n)。笔试现场推荐先写滑动窗口因为代码短且效率高。def lengthOfLongestSubstring(s: str) - int: char_index {} left 0 max_len 0 for right, ch in enumerate(s): if ch in char_index and char_index[ch] left: left char_index[ch] 1 char_index[ch] right max_len max(max_len, right - left 1) return max_len这段代码的核心是维护一个窗口窗口内不包含重复字符。每遇到一个重复字符就把左指针跳到上一次出现位置的下一位。这里有个小细节代码里判断了char_index[ch] left这个条件必不可少因为字典里的索引可能是上一次出现在窗口之外的如果不加这个判断左指针可能回退。如果笔试环境不熟悉Python用C或Java写也完全可以。关键是掌握滑动窗口的思路而不是纠结于哪一种语言的语法。我建议平时刷题时就用校招笔试最常见的语言不要换来换去。快手笔试支持的主流语言一般有C、Java、Python选择自己最熟练的就好。4.3 笔试环境的适应技巧在线笔试的环境和本地IDE差别很大没有自动补全、没有实时编译报错调试、不能运行测试用例或只能试跑少量用例。这些限制看起来不起眼却很容易让人心态崩掉。我建议平时刷题时尽量关闭IDE的自动补全功能和本地调试功能直接在牛客网的在线编辑器里练习逐步适应这种“手写代码”的节奏。另外要学会合理分配时间。如果编程题有两道第一道争取全过第二道即使不能完全AC也要写出正确思路并过掉部分用例因为笔试成绩往往是按用例通过数量给分的。不要在一道题上死磕超过35分钟遇到思路卡壳就先跳过做完其他部分再回来补。5. 备战算法岗笔试的复习路线与实用建议5.1 三个月复习路线基础巩固、专题强化、冲刺模拟准备算法岗笔试我比较推荐按三个阶段来复习。第一个月是基础巩固期主攻数据结构与算法核心内容包括数组、链表、栈、队列、哈希、二叉树、排序、二分查找、双指针、滑动窗口等。同时把机器学习的经典模型都过一遍重点是最小二乘法、逻辑回归、SVM、决策树、朴素贝叶斯、K-Means确保每一个模型都能手推公式。这个阶段不用急着刷难题重点是全面覆盖不留死角。第二个月是专题强化期每天按专题刷题。比如周一到周三主攻动态规划从背包问题到最长公共子序列、编辑距离、打家劫舍系列周四周五主攻图论包括DFS/BFS、拓扑排序、Dijkstra和并查集周末集中做机器学习和深度学习的选择题可以在牛客网上找一些名企历年真题来做。这里要特别强调动态规划是算法岗笔试的重中之重几乎每家公司的笔试题里都有一道DP题。第三个月是冲刺模拟期重点做套题模拟笔试的环境和时间。可以找一些牛客网或者赛码网上的模拟试卷严格计时90分钟中途不查资料、不中断。做完之后认真复盘把错题和卡壳的题目整理成错题本。错题本的意义不在于抄题而在于记录“为什么做错”是思路没想到、公式忘了还是边界条件没考虑清楚只有把错题背后的知识点补上刷题才真正有效果。5.2 资料与工具推荐别贪多一本吃透复习资料方面算法部分我比较推荐《剑指Offer》和LeetCode高频题清单。剑指Offer的题目风格非常接近校招笔试很多编程题就是从这些题里变形出来的。LeetCode不用全部刷完按题号顺序刷前300题就足够了重点放在数组、字符串、链表、二叉树、动态规划这几类上。机器学习理论部分推荐周志华的《机器学习》西瓜书和李航的《统计学习方法》。《统计学习方法》里关于逻辑回归、SVM、朴素贝叶斯、决策树的推导非常完整笔试备考以这两本为主配合网上的常见面试题合集基本够用。工欲善其事必先利其器。准备一个在线笔记工具把公式推导、复杂度表、模型对比表都整理进去。我自己用的是Typora配合Git把笔记当代码仓库管理每次复习更新都提交一次这样能看到自己复习的进度也方便考前最后一轮快速回顾。5.3 笔试当天的时间管理与答题顺序拿到卷子后先把所有题目快速浏览一遍判断各部分难度。我的习惯是先做编程题再做简答题最后做选择题。为什么这么安排因为编程题分值最高并且需要集中精力写代码放在后面容易因为时间不足而慌乱。简答题一般只要会推导就能拿全大部分分数放在中间做比较稳妥。选择题虽然量大但单题分值低最后用剩余时间快速作答能拿多少拿多少。选择题里如果遇到实在不会的不要空着。校招笔试通常不倒扣分蒙一个答案也有概率拿分。多选题吃不准的时候优先选自己最有把握的选项千万不要把所有觉得“好像也对”的选项全选上多选是出了名的扣分重灾区。只要牢牢掌握基础知识点多选题其实可以做到高正确率因为选项里的错误答案往往错得非常明显。最后再分享一个我后来带学弟学妹时反复强调的小技巧笔试前十分钟不管多紧张先闭上眼睛深呼吸三次然后看一眼前一晚整理的一页纸笔记内容是各个排序算法复杂度、常见公式、滑动窗口模板。这些内容是考场上最可能出现也是最容易瞬间遗忘的知识点。笔试拼的不仅是知识储备更是时间分配和心态管理这一页纸的“考前急救包”往往能帮你多稳住几道选择题的分。