-
Python内存由解释器自动管理，核心机制包括引用计数（即时释放）、垃圾回收（处理循环引用）和对象池（缓存小整数-5~256及短字符串），不可变对象可复用，可变对象每次新建，应避免频繁创建大对象并优先使用原地操作。
-
Annotated比普通类型注解更合适，因为它能在保留原始类型的同时叠加校验规则、文档说明等元数据，且被mypy等检查器正确识别；元数据可为任意对象，但需避免运行时表达式以确保类型检查有效。
-
Python2的/是类型敏感除法，int/int得int；Python3的/是真除法，恒返回float；必须用fromfutureimportdivision或//显式控制语义。
-
GridSearchCV默认n_jobs=1导致串行执行，耗时接近“所有组合×单次训练时间”；应设n_jobs=-1或2，并避免双重交叉验证和参数可读性差的问题。
-
np.linalg.norm默认计算整个数组的Frobenius范数（展平后2-范数），非按行/列分别计算；需显式指定axis=1或axis=0才能得到每行/列的欧氏长度，否则广播归一化会报错。
-
logging比print更专业，因其实现了Logger、Handler、Formatter三层解耦，支持多级过滤与滚动写入；basicConfig仅在root未配置时生效，模块化项目应显式创建logger及handler；RotatingFileHandler可实现按大小轮转，需设置maxBytes和backupCount；一个logger可绑定多个handler以同时输出到控制台和文件，但需分别设置各级别；日志输出需同时满足logger和handler的level，且默认propagate为True。
-
当Django模型从Quiz重命名为CarQuizz后，原有数据库表未自动迁移或删除，导致数据“消失”——只需在新模型中通过db_table指定旧表名，即可无缝复用历史数据，无需迁移或手动搬运。
-
早停必须配合独立验证集，否则无效；正则化参数需与采样参数协同调整，避免单独激进调参；模型结构过强时应优先降低max_depth、增大min_child_weight、设置gamma>0。
-
首先确认硬件支持并安装NVIDIA驱动，运行nvidia-smi查看CUDA版本；然后通过pip或conda安装支持GPU的PyTorch或TensorFlow，如pipinstalltorch--index-urlhttps://download.pytorch.org/whl/cu118；在代码中使用torch.cuda.is_available()或tf.config.list_physical_devices('GPU')检测GPU，并将数据和模型移至GPU执行加速计算。
-
requests默认自动跟随302重定向，最多30次；可通过Session.max_redirects设置全局跳转上限，设为0则禁用跳转，或手动控制并检测循环。
-
Python字节码由CPython虚拟机解释执行，流程为源码→编译成.pyc（含魔法数、时间戳、codeobject等）→加载为codeobject→PVM基于栈逐条执行指令，所有运行时对象存于堆中，由帧对象管理引用。
-
Python字符串编码转换核心是encode()和decode()方法：encode()将str转为bytes，decode()将bytes转为str；二者bridgingUnicode文本与二进制数据，不可混用，需显式指定编码并处理异常。
-
红黑树旋转必须同步更新节点颜色，否则立即破坏红黑性质；旋转仅改拓扑，颜色与结构共同维持约束；每次旋转需重设参与的三个节点颜色，且旋转须封装在insert_fixup/delete_fixup中按case绑定变色与旋转。
-
典型现象是Flask应用长时间空闲后首次请求报OperationalError(2013,'Lostconnection...')，本质为MySQL服务端主动断连而SQLAlchemy连接池未感知；须同时配置pool_pre_ping=True（每次取连接前探活）和pool_recycle=3600（设为比wait_timeout小至少10秒）才可靠。
-
深度学习与协同过滤结合旨在弥补各自缺陷：协同过滤擅长显式交互但对稀疏数据敏感，深度学习可建模非线性关系却冷启动差、可解释性弱；通过神经协同过滤（NCF）用Embedding+MLP重设计交互方式，融合内积与非线性路径，提升泛化性与精度。
