技术专栏 第487页

在harmony支持的众多特性中，HarmonyPatch算是最基础的一个，注解特性简单来说就是
harmony和
目标类 沟通的桥梁，为了让沟通更加简洁，harmony 提供了 20 个重载，参考如下：

直接将生产的数据，比如：手机号、身份证等敏感字段，同步到了测试环境。

NameServer就是为了解决以上问题设计的。

我的博客+公众号文章工作流效率提升了不少

相关链接：

人们当然也想了很多办法优化，比如在除数是2的幂的时候，除法可以用速度更快的位运算来替换。比较新的编译器都会自动进行这类优化。然而不是所有的除数都是2的幂，也不是所有表达式里的除数在编译期间可知，因此我们还需要一些别的手段。

随着NeRF(神经辐射场)技术与扩散模型的融合，下一代虚拟主播系统将实现：

介绍VAE之前了解两个概念：AE（AutoEncoder，自编码器）和VAE（Variational Autoencoder，变自编码器）。
AE：自编码器是一种无监督学习神经网络，旨在通过将输入数据压缩到一个低维表示（编码），然后从该表示重建输入数据（解码），来学习数据的特征表示。
VAE：变分自编码器是自编码器的扩展，结合了概率模型和深度学习，通过引入变分推理使潜在空间具有概率分布特性，适合生成任务。


AE的数学描述对于输入
\(x\)通过编码器将输入映射到
低纬空间
\(z=f(x)\)而后通过解码器得到输出：
\(\hat{x}=g(x)\)


VAE的数学描述对于输入
\(x\)通过编码器将输入映射成
概率分布
\(q(z\vert x)\)，假设为高斯分布，输出 𝜇和 𝜎，从
\(q(z\vert x)\)采样
\(z\)而后通过
\(z=\mu+ \sigma+ \epsilon\) 其中
\(\epsilon \in N(0,1)\)，而后通过采样得到的
\(z\)重新构建输入，生成
\(p(x\vert z)\)

前者不适合对于图片进行生成而后者则是更加适合图像生成，这是因为AE将输入映射到一个低纬空间z这个低纬空间并没有明确的结构，进而就可能不适合去生成新的数据，而VAE之所以可以用于生成新的数据是，比如说对于图像数据（比如说：猫）如果知道其分布特征，就可以直接通过分布特征去构建一个新的图像

若需使用 SAML 代替 OIDC：