-
Python迭代器是__iter__和__next__构成的协议；for能遍历列表因其实现__iter__，整数无此方法故不可迭代；iter()先查__iter__再试__getitem__(0)；StopIteration在for中为正常退出信号，手动next()需捕获；生成器函数比手写类更轻量安全；itertools工具返回惰性迭代器，chain/islice/tee不缓存全量数据。
-
语音识别效果一半取决于数据，需统一采样率、切片、提取梅尔频谱图并处理标签；模型从RNN+CTC到Conformer演进；训练监控CTCloss与CER，解码融合语言模型；部署注重量化、VAD和流式识别。
-
在解析PE文件等二进制格式时，直接调用.decode()易因非法字节序列触发UnicodeDecodeError；本文介绍结合异常捕获、编码策略与容错命名的稳健解码方案，并提供可直接复用的工业级处理代码。
-
Python项目配置加载策略核心是环境分离、动态加载、避免硬编码，推荐环境变量驱动或PydanticSettings方案，辅以YAML/JSON多文件管理，并注意加载时机、类型注解与生产安全。
-
优先用TextRank；若追求质量且允许GPU推理，则选微调BART。TextRank是无监督图算法，基于句子共现建图并运行PageRank筛选高分句拼接，无需训练和标注，适合新闻等结构化长文本及低延迟API场景。
-
tf.config.list_physical_devices('GPU')仅列出GPU设备，不显示显存占用；需用tf.config.experimental.get_memory_info()（TF2.10+）或nvidia-smi获取实时显存用量。
-
Python类设计核心是单一职责，即每个类只做一件事并做好；职责边界指类应承担的行为与数据范围，需通过影响范围、存储替换成本和测试便捷性三问判断；常见越界行为包括模型类发HTTP请求、业务类生成HTML、硬编码日志监控等，应拆分服务、分离数据与展示、用装饰器或中间件解耦；可用Protocol或ABC声明依赖协议，优先组合而非继承以增强灵活性与可测性。
-
验证码识别失败的常见原因包括：图片URL未实时更新、缺少前置请求（如种sessionid）、未复用cookie、传入打码平台的是URL而非二进制流、pass2未用MD5加密、文件名无后缀、codetype填错、未提交pic_id、隐藏域未动态提取、服务器DNS/IP/字体/库冲突等问题。
-
venv创建必须指定路径，如python-mvenvmyenv；激活后需验证sys.executable和pip--version路径是否指向虚拟环境内，且每个新终端都需重新激活。
-
不能在create_app()里直接创建Celery实例并调用init_app()，因Celery无此方法；须先声明实例，待Flask配置加载完毕后，用celery.conf.update(app.config)注入配置，并在配置后调用autodiscover_tasks()。
-
最直接的方法是使用pipinstallpackage_name==version_number，例如pipinstallrequests==2.25.1，可解决依赖冲突、复现环境或测试功能。
-
Python函数参数支持位置参数、关键字参数、args和*kwargs，需按序混合使用；返回值可单个、多个或None；作用域遵循LEGB规则，注意可变对象传参的引用特性。
-
pack_padded_sequence必须与pad_packed_sequence成对使用，输入需time-major格式、长度降序排列且lengths为CPUint64张量，否则引发维度错误或静默截断；RNN输出须解包后才能正确取各序列真实末尾。
-
MLflow默认不记录DVC数据路径，需手动log参数或用dvcget拉取并记录实际路径；DVCstage中调用mlflowrun需显式激活环境；模型与DVC版本脱节须强制提交dvc.lock；部署时需同步拉取DVC依赖文件。
-
本文介绍使用pandas的explode、merge和concat方法，根据object分组将legend中的word_lists展开为多行，并与原始df按object和personID关联后合并，同时正确标记included字段。
