-
过拟合最直观表现是训练损失持续下降而验证损失在某epoch后稳定回升；此时模型死记训练样本、泛化能力丧失，需通过val_loss走势、准确率差距、学习曲线等多维度综合判断。
-
Requests需手动设置真实User-Agent（如Chrome最新版标识）并搭配Accept、Accept-Language及Sec-Ch-Ua等头部，配合Session复用连接与Cookie，才能有效模拟浏览器行为，避免403/406等反爬拦截。
-
Python多进程模型适用于CPU密集型、需内存隔离、任务耗时显著超进程开销、非I/O主导且系统资源充足的场景；不适用于短时任务、高频繁I/O或资源受限环境。
-
最常用方式是用字典指定列与函数映射，支持单列单函数、单列多函数（生成多级索引）及命名聚合（如agg(sales_sum=('sales','sum'))避免嵌套），需确保函数返回标量且key不冲突。
-
Python配置管理需分四层：基础层优先读环境变量（如os.getenv）防泄露；配置层按环境分文件继承；运行层启动时单例化校验；安全层用.env.example模板与.gitignore隔离敏感信息。
-
Python中大量对象创建确实会带来明显的性能开销，核心原因在于内存分配、初始化函数调用、引用计数更新和垃圾回收压力。这不是“写法错误”，而是语言运行时机制决定的客观限制。对象创建开销主要来自哪几块？每次MyClass()执行时，CPython会依次做：在堆上分配内存（涉及内存池管理，小对象走obmalloc，仍有开销）调用__new__（默认由object.__new__完成，但需查找和分发）调用__init__（哪怕空方法，也是函数调用+栈帧创建）为每
-
Python面试重点涵盖内存模型（引用计数、GC、循环引用）、异步编程（事件循环、上下文隔离、资源安全）、元编程（dataclass、__init_subclass__、装饰器规范）、性能调优（cProfile、Cython、多进程）四大维度。
-
Flask蓝图注册顺序决定路由匹配优先级，先注册者优先匹配；url_prefix与route路径字符串拼接且不自动处理斜杠；蓝图的before_request和errorhandler仅作用于自身路由；动态加载时需避免import循环，应在create_app中注册蓝图。
-
pipinstallnumpy失败时应先确认Python环境是否干净、是否被系统策略限制、有无混用conda和pip；再检查python-mpip--version是否匹配，conda环境用condainstall，Windows加--only-binary=numpy，MacM1/M2优先升级pip或改用conda。
-
最省心的是tempfile.NamedTemporaryFile，默认with退出自动删除；Windows需设delete=False并手动os.unlink；跨平台安全写法即此；mkstemp+atexit适合进程退出清理但异常崩溃不保证；TemporaryDirectory适用于多文件临时目录而非单文件。
-
TDD是测试驱动开发，严格遵循“红—绿—重构”循环：先写失败测试、再写最简通过代码、最后在测试保护下优化结构；测试是设计文档和验收标准，而非事后验证。
-
本文介绍通过封装csv.DictWriter初始化逻辑为可复用函数，结合上下文管理器安全地减少代码重复，既保证文件自动关闭，又提升代码可维护性。
-
推荐采用“配置分离+环境变量驱动”实现多环境配置：分层设计base/development/testing/production.py，通过ENV变量动态加载；敏感信息由环境变量注入，配合校验与默认兜底机制确保安全可靠。
-
cv2.imread()读取图像默认返回uint8类型HWC数组，像素值范围为[0,255]，而非深度学习所需的float32和[0,1]或[-1,1]范围，需手动转astype(np.float32)并除以255.0或按模型要求归一化。
-
本文详解Python中实例变量与类变量的本质差异，重点说明为何将字典等可变对象声明为类变量会导致多实例间数据污染，并通过Vector示例演示正确初始化方式及调试技巧。
