Deep-ML：机器学习版 LeetCode 题库平台
Deep-ML 是一个面向机器学习、深度学习、数据科学和 AI 工程面试的在线刷题平台。它不像传统课程那样从讲义开始，而是把知识点拆成可以直接提交代码验证的小题：你在浏览器里写 Python、NumPy、PyTorch、SQL、tinygrad、Triton 等代码，平台用测试用例和在线判题给反馈。
本文信息基于 2026 年 7 月 7 日 对 Deep-ML 官网和公开接口的抓取整理。Deep-ML 题库更新很快，题量、分类和付费功能可能继续变化。
一句话定位
Deep-ML 可以理解成 “面向 ML/AI 的 LeetCode + 交互式学习笔记 + 小型实验平台”。
它最适合三类学习者：
- 已经学过机器学习或深度学习基础，但缺少手写实现训练的人。
- 准备 ML Engineer、Data Scientist、AI Engineer 面试，需要把算法、模型、矩阵运算、训练循环、推理细节练熟的人。
- 想通过短题掌握 NumPy、PyTorch、SQL、tinygrad、Triton、LLM inference 等工程细节的人。
它不太适合作为零基础第一门 AI 课。Deep-ML 的优势是“练”，不是“系统讲完整课程”。如果完全没学过线性代数、概率、机器学习和 Python，最好先配合课程或教材使用。
网站主要入口
Deep-ML 顶部导航里最核心的入口包括：
| 入口 | 地址 | 用途 |
|---|---|---|
| Problems | deep-ml.com/problems | 主题库，按难度、分类、关键词检索题目 |
| Labs | deep-ml.com/labs | 更接近真实训练流程的小实验，带数据、指标、时间限制 |
| Interview Prep | deep-ml.com/interview-prep | 公司和岗位导向的面试准备路径，部分功能偏 Premium |
| Projects | deep-ml.com/projects | 项目型训练入口 |
| Collections | deep-ml.com/collections | 题单、合集、学习路径 |
| Contests | deep-ml.com/contests | 比赛或限时挑战入口 |
官网的结构很清晰：如果只是想刷题，从 Problems 开始；如果想训练一段完整模型或调一个真实 pipeline，从 Labs 开始；如果目标是求职面试，再看 Interview Prep。
题库规模与难度分布
截至 2026 年 7 月 7 日，Deep-ML 的公开题库列表接口返回 1144 道题目元数据。官网页面的 SEO 文案仍写着 “100+ machine learning coding challenges”，但实际接口数据已经远大于 100 题，所以这里以抓取接口为准。
难度分布如下：
| 难度 | 数量 | 观察 |
|---|---|---|
| easy | 320 | 适合入门某个知识点或复习基础 API |
| medium | 660 | 主体难度，覆盖大部分 ML/DL/工程题 |
| hard | 164 | 更多涉及训练细节、推理系统、强化学习或复杂实现 |
这说明 Deep-ML 不是只有“概念题”，而是明显偏中等难度的动手训练平台。
题目分类
题库覆盖面很宽，既有传统 ML 基础，也有现代 LLM 和系统工程内容。公开接口中数量最多的分类如下：
| 分类 | 数量 | 内容倾向 |
|---|---|---|
| Deep Learning | 278 | 激活函数、反向传播、归一化、Transformer、KV cache、MoE 等 |
| Machine Learning | 257 | 回归、分类、聚类、模型评估、数据切分、在线算法等 |
| Reinforcement Learning | 192 | Bellman、Q-learning、policy、reward、GRPO 等 |
| NLP | 71 | tokenizer、attention、文本生成、DPO、instruction tuning 等 |
| Linear Algebra | 50 | 矩阵、向量、SVD、PCA、norm、特征值等 |
| Computer Vision | 32 | 图像分类、卷积、视觉数据处理等 |
| tinygrad | 30 | tinygrad 框架与轻量训练实现 |
| pytorch | 30 | PyTorch 基础、训练循环、梯度与模块实现 |
| sql | 29 | 数据分析 SQL、留存、DAU/MAU、ETL 等 |
| Probability | 19 | 概率分布、采样、统计模拟 |
| Algorithms | 17 | 数据结构与算法在 ML 场景中的基础训练 |
| MLOps | 14 | 模型部署、监控、工程流程相关题 |
| Inference | 12 | 推理吞吐、缓存、服务端推理细节 |
| triton | 10 | GPU kernel 和性能优化方向 |
| LLM | 9 | 大模型结构、微调、推理、token 处理 |
从这个分布看，Deep-ML 的题库不只是传统机器学习，还在大量补充大模型推理、训练系统、tinygrad、Triton、SQL 和数据工程题。它比较贴近 2025-2026 年 AI 工程岗位对“会调库，也懂底层”的要求。
单题页面是什么样
每道题一般包含这些部分：
- 题目标题、分类、难度。
- Problem Description：说明需要实现的函数或类。
- Example：给出输入、输出 和推理过程。
- Starter Code：预置函数签名或代码骨架。
- Test Cases：平台用于验证的测试用例。
- Learn Section：相关知识讲解，常见为 Markdown + 公式。
- Solution：参考解法区域。
- Comments：评论区。
- 在线代码编辑器：支持直接提交、运行和查看反馈。
例如题目 Matrix-Vector Dot Product 要求实现矩阵与向量点积：输入矩阵和向量，如果维度匹配就返回每一行的点积结果，如果不匹配则返回 -1。这类题看起来简单，但训练的是“把线代概念写成可靠代码”的基本功。
再比如 Greedy Streaming Decoder with KV Cache 要求实现带 KV cache 的 greedy streaming decoder。题目不只是问“KV cache 是什么”，而是要求你正确处理 prefill、逐 token decode、EOS 停止条件和输出 token 列表。这类题非常贴近 LLM 推理工程。
Labs：更接近真实训练流程
Labs 比普通 Problems 更像小型实验。目前公开接口返回 34 个 Labs。它们通常包含：
- 数据集说明，例如 MNIST、IMDB Movie Reviews、Boston Housing、TinyStories。
- 只允许实现某个函数或类，例如
MyTransform、attention、impute、train_step。 - 指定可用库，例如只允许
numpy，或允许torch。 - 评价指标，例如 Accuracy、MSE Accuracy。
- 通过阈值，例如
min_eval_metric。 - 时间限制和内存限制。
- 测试集或训练 harness 由平台提供。
代表性 Labs 包括：
| Lab | 分类 | 难度 | 训练点 |
|---|---|---|---|
| MNIST: Pytorch DataLoader | Data Pipelines | medium | 自定义 PyTorch transform，接入 DataLoader |
| Design Your Own Attention Mechanism | Attention & Transformers | medium | 用 NumPy 实现 attention，再接入模型训练 |
| Data Preprocessing: Handling Missing Values | Data Preprocessing | medium | 缺失值填补，服务于下游 RandomForestRegressor |
| PyTorch: Implement Your Own Gradient Descent Training Step | PyTorch Fundamentals | medium | 手动 forward、loss、backward、参数更新 |
| PyTorch: Build a Complete Training Loop | PyTorch Fundamentals | easy | mini-batch、shuffle、validation、history 记录 |
| Fine-Tune DistilGPT2 on TinyStories | LLM Fine-Tuning | hard | 小规模语言模型微调 |
普通 Problems 更像短函数题，Labs 更像“把一个组件放进训练系统里跑通”。如果目标是 AI 工程能力，Labs 的价值很高。
学习路径建议
如果你要把 Deep-ML 纳入自学路线，可以这样用：
阶段 1：补 Python + NumPy + 线性代数实现
优先刷：
- Linear Algebra
- Probability
- Statistics
- Calculus
- Algorithms
- Data Structures
目标不是追求题量，而是把矩阵运算、向量化、边界条件、shape 判断、数值稳定性练熟。
阶段 2：机器学习基础
优先刷：
- Machine Learning
- Regression
- Classification
- Clustering
- Data Preprocessing
- Optimization
这一阶段适合配合 CS229、CS189、10-315/10-605 或经典 ML 教材。每学完一个算法，就到 Deep-ML 找相近题目手写一遍。
阶段 3：深度学习和框架能力
优先刷：
- Deep Learning
- PyTorch
- tinygrad
- Activation Functions
- Loss Functions
- Neural Network Fundamentals
- Attention & Transformers
重点训练：
- 手写 forward / backward。
- 理解 autograd 与手动梯度的差别。
- 实现训练循环。
- 处理 batch、shape、mask、normalization、residual。
- 掌握 Transformer 结构中的小组件。
阶段 4：LLM、推理和系统
优先刷：
- NLP
- LLM
- Inference
- MLOps
- Performance Optimization
- Triton
- Machine Learning Systems
这一阶段更适合已经能读懂 Transformer 代码的人。Deep-ML 在这部分有很多非常新的题，比如 KV cache、RoPE scaling、MoE 参数估算、DPO、instruction finetuning collate、tokens-per-second 等。
阶段 5：面试冲刺
可以结合：
- Problems 的 difficulty 和 category 筛选。
- Random problem 训练随机应对。
- Daily challenge 保持节奏。
- Interview Prep 里按公司和岗位准备。
- Collections / Playlists 建自己的题单。
如果目标是面试，不建议只刷 easy。更合理的是：easy 快速查漏，medium 作为主训练，hard 用来暴露深层短板。
和 LeetCode 的区别
| 维度 | Deep-ML | LeetCode |
|---|---|---|
| 核心目标 | ML/AI 代码能力 | 通用算法与数据结构 |
| 主要语言 | Python、NumPy、PyTorch、SQL、tinygrad、Triton | 多语言算法实现 |
| 题目主题 | 模型、矩阵、训练、推理、数据、AI 系统 | 数组、链表、树、图、DP、系统设计等 |
| 判题方式 | 函数测试、模型指标、实验 harness | 输入输出或函数测试 |
| 学习价值 | 帮你把 AI 概念写成代码 | 帮你练通用编程与算法能力 |
| 局限 | 不替代系统课程和论文阅读 | 对 ML/DL 专项训练不足 |
对 AI 岗位来说，两者可以互补：LeetCode 练通用算法，Deep-ML 练机器学习和 AI 工程题。
优点
- 题目高度贴近 AI 岗位：不是泛泛问概念，而是让你实现具体组件。
- 覆盖现代内容：LLM、KV cache、MoE、DPO、RoPE、tinygrad、Triton 等内容更新比较快。
- 反馈直接：测试用例、在线运行、提交结果能迅速暴露实现问题。
- 适合碎片化训练：很多题可以在 10-40 分钟内完成。
- Labs 有真实工程感：评价指标、数据集、时间限制和训练 harness 更接近实际项目。
- 可作为课程配套练习：学完高校课程后，用它补“手写实现”和“工程边界条件”。
局限
- 系统性不如课程：它把知识切成题目，不负责完整讲授一门课。
- 题目分类有些细碎：例如
Machine Learning、ML、Linear Algebra for Machine Learning这类分类可能存在重叠。 - 题量增长快，质量需要筛选：题库很大，但不同题目的讲解深度、测试严谨度可能不完 全一致。
- 英文环境为主：题干、讨论和学习资料主要是英文。
- 部分求职功能偏付费：Interview ranking、公司岗位路线等高级功能可能需要 Premium。
适合怎么放进 HackWay 路线
在 HackWay 的 AI 学习路线里，Deep-ML 适合放在“课程之后、项目之前”：
- 先通过高校课程或教材建立体系。
- 每学一个模块，到 Deep-ML 找对应题目手写。
- 把错题整理成自己的 notebook 或题单。
- 再进入 Kaggle、开源项目、论文复现或真实业务项目。
推荐组合：
- 学
线性代数 / 概率 / 机器学习基础时：刷 Linear Algebra、Probability、Machine Learning。 - 学
深度学习时：刷 Deep Learning、PyTorch、tinygrad。 - 学
NLP / LLM时：刷 NLP、LLM、Inference。 - 学
AI 系统时：刷 MLOps、Triton、Performance Optimization、Machine Learning Systems。 - 准备
ML/AI 面试时：用 Problems + Interview Prep + Collections 做冲刺。
总结
Deep-ML 的价值不在于替代课程，而在于填补 AI 学习中经常缺失的一环：你是否真的能把一个机器学习概念写成可运行、可测试、边界条件正确的代码。
如果你已经在学 CS229、CS231N、CS224N、CS285、fast.ai、PyTorch Tutorials 或 Hugging Face 课程，Deep-ML 很适合作为配套练习平台。它会逼你从“看懂了”走到“写出来并通过测试”，这一步对求职和工程能力都很关键。
参考来源
- Deep-ML Problems：https://www.deep-ml.com/problems
- Deep-ML Labs：https://www.deep-ml.com/labs
- Deep-ML Interview Prep：https://www.deep-ml.com/interview-prep
- 题库公开列表接口：https://api.deep-ml.com/list-problems
- 单题示例：https://www.deep-ml.com/problems/1
- 单题公开接口示例：https://api.deep-ml.com/fetch-problem?problem_id=1
- Labs 公开接口：https://api.deep-ml.com/labs