LaTeX中公式:单行间公式,多行间公式,单栏公式,公式跨栏,以及一般论文中的用法

2023-12-31 18:50

本文主要是介绍LaTeX中公式:单行间公式,多行间公式,单栏公式,公式跨栏,以及一般论文中的用法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

需要提前导入包才可使用以下功能:

\usepackage{amsthm,amsmath,amssymb,lipsum}
\usepackage{mathrsfs}

单行公式比较简单,一般用

\begin{equation}y=x\label{equation1}
\end{equation}

编译结果如下所示:

 \label{}里面是公式标签,可以在别的地方引用这个标签从而引用这个公式,如

\ref{equation1}

的值就是2

但是,一般公式都是多行的,简单的多行公式用

\begin{align}y=x+y+z\label{1}\\y=c+b+n+m\label{2}
\end{align}

编译结果如下所示:

这里的编号仍然是按照(3),(4)这样的顺序依次编号的;\\为换行符,表示换行;但是公式并没有对齐,格式非常难看,我们使用对齐符号试一下:

\begin{align}y=&x+y+z\label{1}\\y=&c+b+n+m\label{2}
\end{align}

&放在哪里就表示按照哪里对齐。 

如果公式太长需要换行,就需要用到\notag标签避免给不需要的地方编号:

\begin{align}y=&x+y+z\label{1}\\y=&c+b+n+m\label{2}\\y=&a+b+c+g+j+k+l\notag\\&+c+h+p+O	
\end{align}

显示如下:

可以看到(5)是一个整体,并没有被分割,因为在上一行使用了\notag

但是如果是括号里的内容需要换行呢?就需要使用虚拟的“括号”,看下面的例子:

\begin{align}y=&x+y+z\label{1}\\y=&c+b+n+m\label{2}\\y=&a+b+c+g+j+k+l\notag\\&+c+h+p+O	\\y=&\left(x+y+x\right.\notag\\&\left.+y+u+i+p\right)
\end{align}

编译结果如(6):

 \right.为虚拟右括号,与\left(这个括号对应;\left.为虚拟左括号,与\right)这个括号对应;也就是说在每一行的公式的括号必须是闭合的,用虚拟的括号代替;如果多个括号以此类推,下面是两个括号的演示:

\begin{align}y=&x+y+z\label{1}\\y=&c+b+n+m\label{2}\\y=&a+b+c+g+j+k+l\notag\\&+c+h+p+O	\\y=&\left(\left( x+y+x\right.\right.\notag\\&\left.\left.+y+u+i+p\right)\right) 
\end{align}

结果如下:

 一般公式中的编号可能为(1a),(1b),(1c)这样的,使用

\begin{subequations}
    \begin{align}
      .....
    \end{align}
\end{subequations}

就可以,如下:

\begin{subequations}\begin{align}y=&x+y+z\label{1}\\y=&c+b+n+m\label{2}\\y=&a+b+c+g+j+k+l\notag\\&+c+h+p+O	\\y=&\left(\left( x+y+x\right.\right.\notag\\&\left.\left.+y+u+i+p\right)\right) \end{align}
\end{subequations}.

编译如下:

 还有,如果公式太长需要跨栏(双栏)只要使用

\begin{figure*}
    ...
\end{figure*}

嵌套就可以了,其中*就表示双栏,如下:

\begin{figure*}\begin{subequations}\begin{align}y&=a+b\label{1a}\\y&=c+d\label{1b}\end{align}\end{subequations}
\end{figure*}

编译如下:

 可以看到,占了双栏。

一般公式在双栏公式下还会有一条很长的线用于分割文本,如下所示加上这一行

{\noindent} \rule[-10pt]{18cm}{0.05em}

就可以

\begin{figure*}\begin{subequations}\begin{align}y&=a+b\label{1a}\\y&=c+d\label{1b}\end{align}\end{subequations}{\noindent} \rule[-10pt]{18cm}{0.05em}
\end{figure*}

结果:

 完结,撒花!

这篇关于LaTeX中公式:单行间公式,多行间公式,单栏公式,公式跨栏,以及一般论文中的用法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/556875

相关文章

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

hdu 4565 推倒公式+矩阵快速幂

题意 求下式的值: Sn=⌈ (a+b√)n⌉%m S_n = \lceil\ (a + \sqrt{b}) ^ n \rceil\% m 其中: 0<a,m<215 0< a, m < 2^{15} 0<b,n<231 0 < b, n < 2^{31} (a−1)2<b<a2 (a-1)^2< b < a^2 解析 令: An=(a+b√)n A_n = (a +

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

bytes.split的用法和注意事项

当然,我很乐意详细介绍 bytes.Split 的用法和注意事项。这个函数是 Go 标准库中 bytes 包的一个重要组成部分,用于分割字节切片。 基本用法 bytes.Split 的函数签名如下: func Split(s, sep []byte) [][]byte s 是要分割的字节切片sep 是用作分隔符的字节切片返回值是一个二维字节切片,包含分割后的结果 基本使用示例: pa

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

论文翻译:ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的,这引发了人们的担忧和猜测,即它们可能已

OmniGlue论文详解(特征匹配)

OmniGlue论文详解(特征匹配) 摘要1. 引言2. 相关工作2.1. 广义局部特征匹配2.2. 稀疏可学习匹配2.3. 半稠密可学习匹配2.4. 与其他图像表示匹配 3. OmniGlue3.1. 模型概述3.2. OmniGlue 细节3.2.1. 特征提取3.2.2. 利用DINOv2构建图形。3.2.3. 信息传播与新的指导3.2.4. 匹配层和损失函数3.2.5. 与Super

UVM:callback机制的意义和用法

1. 作用         Callback机制在UVM验证平台,最大用处就是为了提高验证平台的可重用性。在不创建复杂的OOP层次结构前提下,针对组件中的某些行为,在其之前后之后,内置一些函数,增加或者修改UVM组件的操作,增加新的功能,从而实现一个环境多个用例。此外还可以通过Callback机制构建异常的测试用例。 2. 使用步骤         (1)在UVM组件中内嵌callback函

BERT 论文逐段精读【论文精读】

BERT: 近 3 年 NLP 最火 CV: 大数据集上的训练好的 NN 模型,提升 CV 任务的性能 —— ImageNet 的 CNN 模型 NLP: BERT 简化了 NLP 任务的训练,提升了 NLP 任务的性能 BERT 如何站在巨人的肩膀上的?使用了哪些 NLP 已有的技术和思想?哪些是 BERT 的创新? 1标题 + 作者 BERT: Pre-trainin

这些ES6用法你都会吗?

一 关于取值 取值在程序中非常常见,比如从对象obj中取值 const obj = {a:1b:2c:3d:4} 吐槽: const a = obj.a;const b = obj.b;const c = obj.c;//或者const f = obj.a + obj.b;const g = obj.c + obj.d; 改进:用ES6解构赋值