-
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'。
-
防重表必须用业务唯一ID作主键或唯一索引，如order_no、trade_no或message_id；禁用自增ID；需与业务操作同事务；用INSERTIGNORE/ONCONFLICT原子写入；定期清理过期数据。
-
Flask的request在后台线程中不可用，因其依赖线程局部的请求上下文；需手动提取数据传入子线程，或使用copy_current_request_context；app_context适用于无请求场景，request_context才支持request/g/session。
-
Python爬虫不直接做目标检测，需先用requests+BeautifulSoup等爬取带标签图像数据，再用YOLO等模型训练检测模型。
-
Pillow批量转图需手动兜底：用os.path.getsize()排除0字节文件，try/except捕获UnidentifiedImageError跳过损坏图；save时显式指定format和quality等参数，用pathlib.Path安全拼路径并os.makedirs(...,exist_ok=True)自动建目录，RGBA转JPEG前须convert("RGB")。
-
print(arr)显示省略号是因为NumPy默认启用摘要打印，由np.get_printoptions()的threshold参数控制，默认1000但小数组异常省略常因threshold被设低或Jupyter干扰；禁用方法是np.set_printoptions(threshold=np.inf)或上下文管理器临时生效，并建议配合linewidth=np.inf防折行。
-
必须用Starlette或FastAPI实现SSE：Flask因WSGI同步模型无法可靠维持长连接，易卡顿丢事件；Starlette轻量可控，FastAPI适合需鉴权与校验的场景；需正确设置响应头、双换行分隔、ID去重、转义换行符，并捕获ClientDisconnect清理资源。
-
<p>np.linalg.eig返回的特征向量是列向量，即v[:,i]对应第i个特征值w[i]，但print(v)屏幕显示按行展示，易误读为“每行一个向量”；实际布局符合线性代数惯例，验证方式为检查A@v[:,0]≈w[0]*v[:,0]。</p>
-
clipnorm是对梯度向量整体按L2范数缩放裁剪，保持方向一致性；clipvalue是对每个梯度元素单独限幅裁剪，易破坏梯度结构；二者互斥，需在优化器初始化时设置，且clipnorm更常用。
-
__del__不可靠，仅在引用计数归零且无循环引用时可能调用；循环引用会导致其永不执行；解释器退出时易因全局对象销毁而异常；应优先使用with语句和__exit__进行确定性资源清理。
-
Python中exp函数用于计算eˣ，需导入math或numpy模块；math.exp()适用于单个数值，如math.exp(1)≈2.718；numpy.exp()可处理数组，如np.exp([0,1,2])返回[1.,2.718,7.389]，常用于sigmoid、softmax等模型计算。
-
模型部署核心是让模型在真实场景中稳定、高效、可维护地提供服务，需选合适推理后端（如Triton、ONNXRuntime）、转换压缩模型（ONNX+量化）、封装可观测API、构建CI/CD流水线实现自动化发布与管理。
-
应优先用LinearSVC而非SVC(kernel='linear')处理高维稀疏数据，因其更快、更稳、可解释；RBF核仅在低维/中维且边界明显非线性时才值得调参，且必须标准化后手动设gamma。
-
Python日志系统是涵盖采集、结构化、集中存储、查询分析与可视化的闭环，需规范JSON格式、集中收集（如Filebeat直传ES）、Kibana分析告警，并结合OpenTelemetry实现全链路追踪。
-
本文详解如何在发布PyPI包时正确打包并安全读取内置JSON资源文件，解决因FileNotFoundError导致的运行时数据加载失败问题。
