-
aiohttp.ClientSession必须复用，因新建会重复初始化连接池、SSL上下文并绑定事件循环，导致开销大、RuntimeError、连接泄漏及文件描述符耗尽；应全局单例创建，用asyncwith包裹单次请求。
-
conntrack-L-s和-d参数在大多数发行版中已废弃且无过滤作用，实际列出所有连接；正确方式是用grep精确匹配conntrack-L输出，或用conntrack-D-s/-d进行源/目的IP删除。
-
Python更易入门，因其语法直白、生态完善、中文资源丰富、就业面广；Ruby语法灵活但隐式规则多，适合追求表达力且熟悉Web开发的人。
-
Python内存管理依靠引用计数（即时释放）和垃圾回收（处理循环引用）协同工作；引用计数增减由赋值、作用域等操作触发，gc模块用标记-清除算法回收循环引用，分三代优化效率。
-
Python提供多种数学工具：基础运算用内置操作和math模块，复数用cmath，随机数用random，科学计算依赖numpy和scipy，符号运算使用sympy，需注意导入模块与数据类型匹配。
-
布尔索引必须放在整数索引之前，因为NumPy先执行布尔索引压缩对应维度，再在压缩后的数组上应用整数索引；顺序颠倒会导致维度不匹配而报错。
-
Dijkstra适用于非负权图求单源最短路径，Bellman-Ford可处理负权边并检测负环，Floyd-Warshall求解所有顶点对最短路径，A*用于启发式搜索；根据图的规模、权重特性选择合适算法。
-
Pythoncsv模块适合大数据量的前提是逐行流式处理，csv.reader和DictReader返回迭代器，应避免list()全量加载；写入也需边计算边调用writer.writerow；性能瓶颈多在业务逻辑而非csv解析本身。
-
大数据量下应优先选择稳定省资源的数据结构：deque用于高频两端增删，array.array节省数值内存，dict适用于有序映射但需控制key类型，稀疏数据改用scipy.sparse或pyarrow等专用结构。
-
训练加速与模型压缩需协同优化：混合精度训练降显存提速度，分布式训练扩展算力，结构化剪枝兼顾效率与硬件兼容，QAT比PTQ更稳保精度，所有优化必须基于量化指标验证。
-
必须显式设置@lru_cache的maxsize参数，避免内存无限增长；缓存值为强引用，慎缓存大型对象；参数须可哈希，不可变类型需手动转换；多线程下cache_clear()需加锁防护。
-
默认logging不能直接输出JSON，因其Formatter将日志拼为字符串且字段不可控；需自定义Formatter子类重写format()，过滤不可序列化字段、处理异常堆栈、用json.dumps()输出合法JSON，并通过LoggerAdapter或Filter注入trace_id等上下文字段。
-
本文介绍如何在Polars中将具有相同前缀（如a_0,a_1,a_2）的多列纵向堆叠为单列（如a），同时自动复制其他非模式列（如words,groups）以匹配扩展后的行数。
-
注意力机制的核心是动态加权求和，三要素为Query（查询）、Key（键）、Value（值）：Query与Key计算相似度得分数，softmax归一化为权重，再加权求和Value得到输出；自注意力通过全连接匹配突破距离限制，多头机制并行捕获多维特征；PyTorch手写实现含线性投影、缩放点积、softmax及加权求和；可视化注意力权重热力图可分析模型关注模式。
-
maxlen为None时append/appendleft不裁剪元素；为正整数时append右进左出、appendleft左进右出；maxlen=0则静默丢弃所有元素；两者性能差异极小但访问模式影响缓存效率。
