-
torch.profiler默认不记录CPU开销是因为activities若未显式包含ProfilerActivity.CPU，则只采样CUDA操作，导致DataLoader等纯CPU操作完全缺失；必须指定[ProfilerActivity.CPU,ProfilerActivity.CUDA]并启用record_shapes、with_stack等选项才能完整捕获端到端性能瓶颈。
-
答案是Python深度学习实战四阶段路线：第一阶段用Keras三分钟跑通MNIST；第二阶段修改CNN结构建立直觉；第三阶段做真实小项目如猫狗分类；第四阶段实现调试、部署与实验追踪。
-
冷启动慢主因是import开销大，而非代码执行慢；Python启动时需逐行执行import，触发模块查找、源码读取、语法解析、字节码编译及模块级初始化，且容器/Serverless中无法复用缓存。
-
save_model()丢失结构和权重主因是模型未前向调用导致trace失败，须先执行model(tf.zeros((1,)+input_shape))；加载报错多因路径错误、格式混淆或自定义类未注册。
-
PoissonRegressor自sklearn1.3起为稳定接口，专用于非负整数计数数据建模；它通过内置对数链接与泊松似然确保预测≥0、适配方差随均值增长的特性，优于会产生负预测和违反同方差假设的LinearRegression。
-
直接换国内镜像源能解决90%的pip下载慢问题：临时用-i参数最快，永久配置需在用户级路径（如Windows的%APPDATA%\pip\pip.ini或Linux/macOS的~/.pip/pip.conf）写入index-url和trusted-host，避免权限与覆盖问题。
-
Tkinter的Variable子类（如BooleanVar、StringVar）必须持有有效Python引用，否则会被垃圾回收导致_tkinter.TclError:can'tread"PY_VARn":nosuchvariable错误。
-
PyTorch原生推理延迟高的根本原因是Python调度开销、动态图执行、算子未融合及内存频繁分配；TensorRT优化需严格配合模型转换、FP16/INT8校准和ONNX规范化，缺一不可。
-
itertools.batched()更安全，因其不预加载全部数据、内存占用恒定；手写切片易致全量展开，引发OOM或阻塞。
-
Flask-Admin不能直接当CMS用，但可快速搭建CMS管理后台骨架；它仅提供模型驱动的CRUD界面，不包含前端展示、权限分级、内容路由和模板渲染等CMS核心功能。
-
默认用is比较，不是值相等；自定义类需重写eq实现值比较，开头应加isinstance检查，返回布尔值；__ne__无需显式重写；若重写__eq__，不可变对象须同步实现__hash__。
-
matplotlib默认不支持中文是因为字体路径未指向含中文的字体文件，需通过rcParams设置font.sans-serif为可用中文字体名（如'SimHei'）并关闭axes.unicode_minus。
-
pandas读取Excel合并单元格时仅保留左上角值，其余为NaN，因合并属显示层操作，底层无数据对应；可用ffill按行填充连续NaN，但不恢复合并格式。
-
本文介绍在Flask+SQLAlchemy应用中，如何避免默认返回的嵌套元组（如(User,Department)），转而获取扁平化、字段级控制的单结果集（如(id,first_name,name)），提升数据序列化与前端消费效率。
-
正则回溯因嵌套量词、重叠分支等导致指数级试错，使匹配耗时暴增；可用regex模块超时机制、长度递增测试及re.DEBUG字节码分析来识别和规避。
