-
API请求失败时应区分错误类型（仅重试连接异常、超时及5xx）、采用指数退避+随机抖动（如1s→2s→4s，叠加0.5~1.5抖动因子）、限制重试3~5次及总耗时，并优先用tenacity等成熟库实现。
-
DjangoDEBUG=False时500页面不显示错误详情是出于安全策略而非bug，需通过自定义中间件（置于MIDDLEWARE靠前位置）记录traceback、区分API/页面响应并避免二次异常，异步环境需适配AsyncMiddleware。
-
Python中检查文件或目录是否存在主要使用os.path.exists()、os.path.isfile()和os.path.isdir()函数，分别用于判断路径是否存在、是否为文件、是否为目录；为避免竞态条件和权限问题，推荐采用EAFP（请求宽恕比请求许可更容易）原则，直接尝试操作并用try-except处理异常；自Python3.4起，pathlib模块提供更现代、面向对象的方式，通过Path对象的exists()、is_file()、is_dir()方法实现相同功能，代码更简洁可读，建议在新项目中
-
直接用普通list存子模块会报错，因PyTorch不自动注册其参数和forward方法；须改用nn.ModuleList或nn.ModuleDict才能被parameters()、to(device)等识别并参与训练。
-
requests返回401是因为它与Selenium会话完全隔离，无法自动获取浏览器Cookie；必须在关闭driver前用driver.get_cookies()提取并转换为{name:value}字典，且需注意HttpOnly字段不可读、domain匹配及Headers（如User-Agent、Referer、X-CSRFToken）同步。
-
os.chmod()改不了权限的主因是传入十进制数而非八进制字面量（如误用644而非0o644），或用户无权修改、路径为符号链接、父目录不可写。
-
pipshow无法批量导出license字段，多数包该字段为空或不规范；真正可用的license信息需解析dist-info/METADATA文件，推荐用pip-licenses工具导出CSV或标准化SPDX格式，但须人工复核合规性。
-
MNE库处理脑电波数据的流程包括加载数据、预处理、分段与平均、最终获取ERP。首先，使用MNE加载.fif、.edf等格式数据为Raw对象；其次进行预处理，1）滤波去除噪声，2）检测并插值坏导，3）通过ICA或SSP剔除生理伪迹；接着定义事件并分割数据为Epochs，同时进行基线校正和坏段剔除；最后对分段数据平均生成ERP，并可视化分析结果。整个过程需反复调试参数以确保数据质量与分析准确性。
-
GunicornCPU持续100%主因是worker类型或数量与业务错配：sync模式硬扛I/O请求导致空转等待，或gevent未正确monkeypatch致使协程失效退化为同步阻塞；需检查patch位置、C扩展单独patch及超时/内存泄漏配置。
-
AI模型训练是系统工程，需经历目标定义、数据准备、结构设计、调参优化到部署验证；关键环节包括任务类型判断（如情感分析用BERT微调、销售预测用LSTM/XGBoost）、数据清洗（pandas/scikit-learn/nltk）、可复现流程构建（Dataset封装/随机种子固定）、以及上线前泛化性测试与模型解释。
-
Python中常见以列表为参数的函数包括：1.len(lst)返回元素个数；2.max、min分别返回最大最小值；3.sum对数值求和；4.sorted返回排序新列表；5.list(reversed(lst))实现反转；6.any、all判断元素真假；7.列表方法如append、extend用于修改列表；8.map、filter处理列表映射与筛选；9.''.join(lst)合并字符串列表；10.zip用于并行遍历多个列表。
-
本文对比Python中字典的两种常见初始化方式——逐键赋值与字面量声明，分析其在可读性、性能、可维护性及工具兼容性上的差异，并推荐符合PEP8与工程实践的结构化写法。
-
数据预处理是模型学习有效规律的前提，包括缺失值处理、分类变量编码、标准化/归一化及异常值判断；特征工程强调业务理解驱动的特征构造与迭代优化；模型选择应从简单baseline（如逻辑回归、随机森林）起步，逐步提升。
-
Python列表切片通过start:end:step提取子列表，如nums[2:6]得[2,3,4,5]，支持省略参数与负索引，步长可正负，不修改原列表且越界不报错。
-
轻量级模型需“有依据地精简”+“不伤精度地压缩”，剪枝与量化协同设计是关键：先通道剪枝再量化为推荐顺序，校准与微调保障精度，结构化剪枝和QAT优于单独使用。
