-
PyTorchQAT需显式配置qconfig、冻结BN统计并校准后端，否则精度下降；convert()后模型固化不可修改，仅支持推理；后端须匹配硬件（fbgemm/x86，qnnpack/ARM），校准数据需充分且分布合理。
-
该用select_related时是查询外键或一对一字段且需避免N+1查询；它通过JOIN一次性获取关联数据，仅适用于正向外键/一对一关系，不支持多对多或反向关系。
-
winfo_screenwidth()和winfo_screenheight()返回主显示器物理像素尺寸，需在窗口初始化后调用update_idletasks()确保尺寸准确，再结合geometry()实现居中；高DPI下须设置DPI感知。
-
psutil.net_io_counters()返回的是累计值而非实时速率，需两次采样求差并除以时间间隔（建议≥0.5秒，用time.monotonic()计时）；多网卡需按白名单过滤物理接口，避免虚拟接口干扰；Windows下可能因权限或性能计数器未启用导致异常，应加异常处理和权限检查。
-
本文详解在Snowflake中安全、分片、可中断地导出海量数据（如20亿行以上表）的完整方案，涵盖云存储卸载、内部Stage中转、PythonSDK批量写入与本地下载等生产级实践路径。
-
Polars没有.query()方法，但可通过filter()配合表达式（如pl.col()）高效、清晰地实现相同的数据筛选逻辑，语法更显式、类型安全且性能更优。
-
NumPy中view()可零拷贝重解释dtype，但仅当新旧类型元素字节数相同且内存布局兼容；astype()则总复制数据并转换数值。
-
threading比multiprocessing更适合IO密集型任务，因GIL不阻塞系统调用，IO等待时线程让出CPU，其他线程可继续执行；而multiprocessing启动开销大、通信成本高，属过度设计。
-
CONCURRENT_REQUESTS控制downloaderqueue中同时发出的请求数，非响应处理数或QPS；其效果受多spider、中间件、AUTO_THROTTLE等影响，且与DOWNLOAD_DELAY正交；需注意per-domain限频不防IP封禁，DEBUG时concurrent_requests=0通常是延迟等待所致。
-
Python并发安全的核心是共享变量缺乏同步机制导致竞态，需用Lock保护临界区、threading.local()避免共享、asyncio.Lock替代threading.Lock、multiprocessing专用对象实现进程间共享。
-
Pythonasync程序变慢主因是“假异步”：混用同步阻塞操作（如time.sleep、requests）、协程串行执行、CPU密集任务阻塞事件循环、资源超发。应改用async对应方案、并发调度、线程池卸载及限流控制。
-
用np.diff()找局部极值易漏边界点，因其输出长度减1、仅反映相邻变化，无法判断首尾极值；需单独检查arr[0]和arr[-1]，且diff索引对应变化位置而非极值位置。
-
核心原因是默认连接池和超时策略不适用代理探测场景，需严格控制并发、设置单独超时、捕获异常、禁用DNS缓存、校验代理格式、分批执行、及时释放响应、选用合适检测地址并放宽判断逻辑。
-
母版控制全局样式但不直接影响幻灯片，修改需操作presentation.slide_master；布局继承母版，新幻灯片才生效；图表须用占位符预设，字体需逐层设置中文字符集。
-
struct.unpack数据对不上主因是字节序未显式指定，C结构体默认本机序（小端），而文件/协议常固定大端或小端；应查清源数据字节序后，在格式串开头加'>'（大端）或'<'（小端）。
