-
图像分类模型训练核心是“数据准备→模型选择→训练调优→评估部署”四步闭环：规范数据格式、迁移预训练网络、监控训练过程、用真实场景评估并导出ONNX部署。
-
Python数据结构学习重在理解设计原理与适用场景：字典基于哈希表，需注意可哈希性、扩容开销及键的正确实现；列表头部操作低效，应优先用deque；集合宜预构建而非循环内创建；命名元组与dataclass兼顾可读性与性能。
-
ProcessPoolExecutor提供简洁安全的多进程并行，核心为“提交任务→获取结果”，支持submit+result、map和as_completed三种模式，需注意pickle序列化、内存隔离、max_workers设置及Windows下的ifname=='__main__':保护。
-
应使用函数式APIF.dropout(input,p,training=self.training)动态传入dropout概率，或自定义模块在forward中显式调用；直接修改nn.Dropout.p无效，因其不被计算图追踪且可能被缓存。
-
asyncio+ProtocolBuffers是最稳的起点：复用protoc序列化，专注异步通信层；需手动处理长度头防粘包，禁用time.sleep()，gRPC必须用grpc.aio模块并显式设超时。
-
不能。torch-tensorrt是torch.compile后端，仅支持有限模型结构，对动态控制流、自定义算子兼容性差，YOLOv9、FishSpeech等实测易报错；稳定路径仍是PyTorch→ONNX→TensorRT。
-
在Pydantic数据类中，若需使某字段（如label）的默认值动态依赖于另一字段（如name），必须显式启用validate_default=True配置，否则默认值不会进入验证流程，导致逻辑失效。
-
re.Match.group()对未定义命名组直接抛IndexError；安全方式为先查match.groupindex或用groupdict().get()，数字索引需先确认i<match.re.groups。
-
Python的I/O阻塞本质是操作系统同步阻塞模型所致，并非Python或GIL造成；open()、recv()等调用底层系统调用，数据未就绪时线程被内核挂起；GIL在I/O时会释放，不影响并发；默认阻塞的包括文件、socket、subprocess和标准流，可通过非阻塞模式、超时、asyncio或多线程规避。
-
tuple的不可变性是语义契约而非限制，确保内容创建后不被篡改，支撑哈希、线程安全与内存优化；其不可变仅限直接元素引用，不递归约束内部对象状态。
-
Python网络容错设计核心是预判异常、分层捕获、有状态重试与失败降级；需区分连接类（可重试）、客户端错误（不可重试）和服务端错误（选择性重试），配合指数退避抖动、状态持久化、幂等保障及合理超时熔断。
-
本文解析在批量处理Dota格式转YOLO格式时，因coordinatesList全局累积未清空，导致后续输出文件写入错误数据、坐标值大于1的根本原因及修复方案。
-
Python并发核心在于区分I/O与CPU密集型任务：threading适用于I/O（如HTTP请求），因GIL限制无法加速CPU密集型计算（如sum）；asyncio需正确await协程，避免未执行警告；multiprocessing需注意Windows下spawn启动方式及进程间通信问题。
-
Python中使用hashlib模块进行MD5或SHA加密需先导入模块，选择算法如md5()或sha256()创建哈希对象，调用update()方法传入字节串数据，最后通过hexdigest()获取十六进制哈希值；处理大文件时应分块读取数据并更新哈希对象，避免内存溢出；MD5因碰撞漏洞已不推荐用于安全场景，仅适用于文件完整性校验，而SHA-256等SHA系列算法抗攻击能力强，适用于数字签名、SSL/TLS等安全性要求高的场景；存储用户密码时不应直接使用MD5或SHA，而应采用bcrypt等专用库实现加盐和
-
Python自定义容器需实现容器协议的魔术方法：__len__返回非负整数，__contains__支持in操作；__getitem__支撑索引、切片与迭代；可选__setitem__和__delitem__实现可变操作；__iter__提供更清晰可控的迭代支持。
