-
tf.image.non_max_suppression返回的是被选中边界框在输入boxes中的整数下标，需配合tf.gather等操作提取对应坐标、分数和类别；它不支持多类别联合抑制，须按类别分组处理，并注意GPU未实现该算子、坐标需统一归一化等关键约束。
-
Python允许动态增加对象属性，根本原因是其对象模型采用灵活性优先的设计哲学，实例属性默认存储在__dict__字典中，支持运行时增删，同时提供__slots__、__setattr__等机制实现可控约束。
-
Pythonrequests库需手动配置超时和重试以提升健壮性：超时推荐用元组(timeout=(connect,read))分别控制连接与读取阶段；重试需通过HTTPAdapter注入urllib3的Retry策略，仅对5xx、429等错误生效，并配合指数退避。
-
capsys仅捕获print()、sys.stdout.write()和sys.stderr.write()的输出，不捕获logging、文件写入或子进程输出；需注意刷新缓冲区、sys.argv还原、换行符处理及isatty()返回False等问题。
-
MRO是Python通过C3线性化算法确定的类继承查找顺序，首项为自身、末项为object，调用__mro__或mro()可查看；C3确保子类优先、父类顺序一致且无冲突，否则报TypeError；super()严格按MRO调用下一方法。
-
生成器通过异常处理提升程序健壮性。默认情况下，未捕获的异常会终止迭代，如除零错误直接抛出；可在生成器内用try-except捕获并跳过非法值，保持运行；通过throw()方法可从外部注入异常，触发内部逻辑处理；调用close()时引发GeneratorExit，用于资源清理，需重新抛出以确保正确关闭。掌握这些机制可实现安全的惰性计算。
-
Python金融欺诈检测核心是构建二分类模型，关键在高质量数据、业务导向的特征工程（如用户行为、设备网络、交易上下文特征）及不平衡学习策略（分层抽样、SMOTE、PR曲线评估），优先选用XGBoost/LightGBM，结合SHAP解释与持续监控闭环。
-
ROC曲线画不出需确认输入为正类概率或决策函数值；多模型ROC需复用ax参数叠加绘制；AUC值与曲线不匹配常因混淆AP与AUC或未正确处理多分类；保存高清图应调用tight_layout()于legend后并设bbox_inches='tight'。
-
resty.limit.count是OpenResty官方推荐的动态限流方案，基于共享内存实现低延迟、高并发安全限流，支持运行时key构造与滑动窗口，需避坑初始化失败、key爆炸、同步Redis调用及header注入等问题。
-
Python包语义化版本管理需依赖动态机制（如setuptools-scm或versioneer）联动Git标签与代码，禁用静态version字段；必须用python-semver进行版本比较，确保CI构建、发布和依赖校验全链路一致。
-
知识蒸馏在TensorFlow2.x中必须使用自定义训练循环，因model.compile()和model.fit()无法支持教师-学生双logits联合损失计算；需用tf.GradientTape显式控制教师模型（trainable=False、training=False）与学生模型前向推理，并手动实现带温度缩放的KL散度损失及加权总损失。
-
Python写入文件时换行符不显示，因Windows记事本仅识别\r\n，而文本模式默认将\n转为系统原生换行符；二进制模式或newline=''可禁用自动转换，手动写\r\n确保记事本正常换行。
-
callable只检查对象是否实现__call__方法，不保证调用成功；它比hasattr(obj,'__call__')更准确且性能更好，但不可替代try/except进行安全调用。
-
根本原因是默认比较所有列，而实际需依据关键列去重；应显式指定subset、处理NaN、清洗字符串、控制索引，并注意大数据量时的性能优化。
-
sorted()的key参数必须返回可比较的值；字典需通过key指定排序依据（如键、值或键值对），按值排序时key函数须返回单一可比类型，否则抛TypeError。
