1.预处理
首先在网上找一份常用汉字大全，我这里找了一份2994字的常用汉字作为训练，712字的次常用汉字作为测试。
操作系统内就自带字体文件，后缀为ttc和ttf，Mac的路径为 /System/Library/Fonts，选取若干个作为分类的对象。
接着用PIL库来生成字体图片，生成的时候本想每个字居中显示。但是当一个字体中的字居中了，另外字体的字就会跑偏，因此这里用numpy来框出字体位置，然后再在四个方向加边框，代码如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import os
import sys
reload(sys)
sys.setdefaultencoding('utf8')
import Queue
import threading
from PIL import Image, ImageFont, ImageDraw
import numpy as np 
from tqdm import tqdm  


def draw_font(text, font, save_path=None, mode='train'):
    
    image_name = '{}{}.png'.format(save_path, text)
    
    if mode == 'train' and os.path.isfile(image_name):
        return

    im = Image.new("RGB", (256, 256), (255, 255, 255))
    dr = ImageDraw.Draw(im)
    font = ImageFont.truetype(font, 128)
     
    dr.text((64, 64), text.decode('utf8'), font=font, fill="#000000")
    im_slice = np.asarray(im)[:,:,0]
    y, x = np.where(im_slice != 255)
    x_max, x_min, y_max, y_min = np.max(x), np.min(x), np.max(y), np.min(y)

    frame = 10
    box = (x_min - frame, y_min - frame, x_max + frame, y_max + frame)
    im = im.crop(box)
    return im, image_name
    


在外层使用多线程来生成图片：
def generator(fonts, texts, consumer_num):

    with tqdm(total=len(fonts)*len(texts)) as counter:  
        for font in fonts:
            save_path = 'images/{}/'.format(font.split('.')[0])
            if not os.path.isdir(save_path):
                os.mkdir(save_path)
            for text in texts:
                font = os.path.join(os.getcwd(), 'fonts', font)
                result = draw_font(text, font, save_path)
                if result:
                    message.put(result)
                counter.update(1)
    for _ in xrange(consumer_num):
        message.put(None)

def writer():

    while True:
        msg = message.get()
        if msg:
            im, image_name = msg  
            im.save(image_name)
        else:
            break

def read_text(file_name):

    with open(file_name, 'r') as f:
        texts = f.read().split(' ')
    return texts
    
def run():
    
    file_name = u'中国汉字大全.txt'
    texts = read_text(file_name)
    fonts = os.listdir('fonts')
    
    consumer_1 = threading.Thread(target=writer)
    consumer_2 = threading.Thread(target=writer)
    consumer_num = 2
    producer = threading.Thread(target=generator, args=(fonts, texts, consumer_num,))


    producer.start()
    consumer_1.start()
    consumer_2.start()
    message.join()

if __name__ == '__main__':

    message = Queue.Queue(1000)
    run()    
最后生成的图片内容如下：




2.数据流

读入数据使用TensorFlow最近发布的1.4版本的Dataset API。
先根据目录树结构，来读取图片与标签



#!/usr/bin/env python
# -*- coding: utf-8 -*-
import sys
import os
import random
import tensorflow as tf
from tensorflow.python.framework import ops  
from tensorflow.python.framework import dtypes  


dir_path, _ = os.path.split(os.path.realpath(__file__))
class_num = 2
def read_labeled_image_list(images_dir):
    
    folders = [folder for _, folder, _ in os.walk(images_dir) if folder][0]
    
    filenames = []
    labels = []
    for index, folder in enumerate(folders):
        image_dir = os.path.join(images_dir, folder)
        filename = [os.path.join(image_dir, f) for f in os.listdir(image_dir) if f[0] != '.']
        filenames += filename
        label = index
        labels += [label] * len(filename) 
        
    return filenames, labels, folders


这里返回的folders是标签的顺序

接着就是读取功能

def read_data(batch_size):

    with tf.name_scope('input_pipeline'):
        filenames, labels, annotation = read_labeled_image_list(os.path.join(dir_path, 'images'))
        
        instances = zip(filenames, labels)
        random.shuffle(instances)
        filenames, labels = zip(*instances)
        filenames, labels = list(filenames), list(labels)
        
        dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))
        dataset = dataset.map(parse_function)

        dataset = dataset.shuffle(100).batch(batch_size).repeat()

        return dataset, annotation
dataset.map()类似map()的用法，接收一个函数，作用于每个元素。这里parse_function的作用是读取图片，调整尺寸并标准化（非归一化）,对标签进行one-hot编码，代码如下：
def parse_function(filenames, label):
 label = tf.one_hot(label, class_num)
    file_contents = tf.read_file(filenames)
    example = tf.image.decode_png(file_contents, channels=3)
    example = tf.cast(tf.image.resize_images(example, [224, 224]), tf.uint8) 
    example = tf.image.per_image_standardization(example) 
    return example, label


参考资料：
知乎专栏: TensorFlow全新的数据读取方式：Dataset API入门教程
网盘：The tf.data API.pdf
3.模型-vgg16
自从深度学习被提出，进过LeNet、AlexNet、GoogLeNet、VGG、ResNet的发展，图像识别问题基本已算是被解决了。目前VGGNet依然被用来提取图像特征。

这里的分类模型选择VGG16，fc层调整为[2048， 2048， 类别数]，代码如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import tensorflow as tf 

def conv_op(input_op, name, n_out, kh=3, kw=3, dh=1, dw=1):

    n_in = input_op.get_shape()[-1].value

    with tf.name_scope(name) as scope:
        kernel = tf.get_variable(scope + 'w', shape=[kh, kw, n_in, n_out], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer_conv2d())
        conv = tf.nn.conv2d(input_op, kernel, (1, dh, dw, 1), padding='SAME')
        bias_init_val = tf.constant(.0, shape=[n_out], dtype=tf.float32)
        bias = tf.Variable(bias_init_val, trainable=True, name='b')
        z = tf.nn.bias_add(conv, bias)
        activation = tf.nn.relu(z, name=scope)
        tf.summary.histogram('histogram', activation)
        return activation

def fc_op(input_op, name, n_out):

    n_in = input_op.get_shape()[-1].value

    with tf.name_scope(name) as scope:
        kernel = tf.get_variable(scope+'w', shape=[n_in, n_out], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer())
        biases = tf.Variable(tf.constant(.1, shape=[n_out], dtype=tf.float32), name='b')
        activation = tf.nn.relu_layer(input_op, kernel, biases, name=scope)
        tf.summary.histogram('histogram', activation)
        return activation

def mpool_op(input_op, name, kh=2, kw=2, dh=2, dw=2):

    return tf.nn.max_pool(input_op, ksize=[1, kh, kw, 1], strides=[1, dh, dw, 1], padding='SAME', name=name)

def vgg(input_op, class_num, keep_prob):

    with tf.name_scope('vgg'):

        conv1_1 = conv_op(input_op, name='conv1_1', n_out=64)
        conv1_2 = conv_op(conv1_1, name='conv1_2',  n_out=64)
        pool1 = mpool_op(conv1_2, name='pool1')

        conv2_1 = conv_op(pool1, name='conv2_1', n_out=128)
        conv2_2 = conv_op(conv2_1, name='conv2_2', n_out=128)
        pool2 = mpool_op(conv2_2, name='pool2')

        conv3_1 = conv_op(pool2, name='conv3_1', n_out=256)
        conv3_2 = conv_op(conv3_1, name='conv3_2', n_out=256)
        conv3_3 = conv_op(conv3_2, name='conv3_3', n_out=256)
        pool3 = mpool_op(conv3_3, name='pool3')

        conv4_1 = conv_op(pool3, name='conv4_1', n_out=512)
        conv4_2 = conv_op(conv4_1, name='conv4_2', n_out=512)
        conv4_3 = conv_op(conv4_2, name='conv4_3', n_out=512)
        pool4 = mpool_op(conv4_3, name='pool4')

        conv5_1 = conv_op(pool4, name='conv5_1', n_out=512)
        conv5_2 = conv_op(conv5_1, name='conv5_2', n_out=512)
        conv5_3 = conv_op(conv5_2, name='conv5_3', n_out=512)
        pool5 = mpool_op(conv5_3, name='pool5')

        shp = pool5.get_shape()
        flattened_shape = shp[1].value * shp[2].value * shp[3].value
        resh1 = tf.reshape(pool5, [-1, flattened_shape], name='resh1')

        fc6 = fc_op(resh1, name='fc6', n_out=2048)
        fc6_drop = tf.nn.dropout(fc6, keep_prob, name='fc6_drop')

        fc7 = fc_op(fc6_drop, name='fc7', n_out=2048)
        fc7_drop = tf.nn.dropout(fc7, keep_prob, name='fc6_drop')

        fc8 = fc_op(fc7_drop, name='fc8', n_out=class_num)
        softmax = tf.nn.softmax(fc8)

        return softmax

这里不使用TensorFlow slim里的vgg的原因是slim-vgg的input size要求为224×224，而本文只需128×128，这样训练可以使batch size更大。

4.训练

在训练时用softmax计算交叉熵，容易出现浮点下溢，导致log(0)的计算，这就造成了从此次以后的loss都是Nan，解决方法是限制网络输出范围：tf.log(tf.clip_by_value(pred, 1e-5, 1.0))。学习率过大也会造成Nan，一般出现这种情况的话每次学习率除以10地进行调试。
TensorFlow实现训练大致分两种方法。

最低效的是将data pipeline与训练的graph分割成两部分，然后在session中分次执行。代码示意如左，另一种是将data pipeline写进训练的graph中，让TensorFlow自动多线程处理，代码示意如右。
inputs, outputs = data_pipeline(...)

X = tf.placeholder(...)
Y = tf.placeholder(...)

pred = net(X)

loss = loss_func(pred, Y)
train_op = optimizer.minimize(loss)

trainX, trainY = sess.run([inputs, outputs])
sess.run(train_op, feed_dict={X:trainX, Y:trainY})
inputs, outputs = data_pipeline(...)

pred = net(inputs)


loss = loss_func(pred, outputs)
train_op = optimizer.minimize(loss)


sess.run(train_op)


然而TensorFlow自动多线程的实现并不是很好，设置batch size 128，iter 1000次测试两种方法，分别耗时665.52s， 654.39s， 基本差别不大。GPU使用率曲线分别如下：


理论上来说，如果把训练数据全部读取到内存，那么只需要在内存与GPU直接通信就行了，但实际上训练集都会非常大，因此最耗时的是在硬盘读取上。所以要获得高效的训练，最好自己实现多线程。在这里我使用Python自带的Queue库和threading库，用4个producer产生数据，一个consumer训练网络，代码如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import os
import time
import Queue
import threading
import tensorflow as tf 
from dataset.read_data import read_data
from nnets.vgg import vgg

os.environ['CUDA_VISIBLE_DEVICES'] = '1'

class_num = 2

def data_pipline(batch_size):


    data_batch, annotation = read_data(batch_size)
    iterator = data_batch.make_initializable_iterator()
    inputs, outputs = iterator.get_next()
    with tf.Session() as sess:
        sess.run(iterator.initializer)
        for _ in xrange(250):
            data = sess.run([inputs, outputs])
            message.put(data)
    message.put(None)

def train():


    inputs = tf.placeholder(tf.float32, shape=[None, 128, 128, 3])
    outputs = tf.placeholder(tf.float32, shape=[None, class_num])
    tf.summary.image('inputs', inputs, 16)

    lr = tf.placeholder(tf.float32)
    keep_prob = tf.placeholder(tf.float32)

    pred = vgg(inputs, class_num, keep_prob)
    
    with tf.name_scope('cross_entropy'):
        cross_entropy = tf.reduce_mean(-tf.reduce_sum(outputs * tf.log(tf.clip_by_value(pred, 1e-5, 1.0)), reduction_indices=[1]))
        tf.summary.scalar('cross_entropy', cross_entropy)

    with tf.name_scope('accuracy'):
        correct = tf.equal(tf.argmax(pred, 1), tf.argmax(outputs, 1))
        accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))    
        tf.summary.scalar('accuracy', accuracy)

    with tf.name_scope('optimizer'):
        optimizer = tf.train.AdamOptimizer(lr).minimize(cross_entropy)

    merged = tf.summary.merge_all()

    saver = tf.train.Saver()
    with tf.Session() as sess:

        writer = tf.summary.FileWriter('./log/', sess.graph)
        sess.run(tf.global_variables_initializer())
        
        i, stop_count = 0, 0
        st = time.time()
        while True:
            i += 1

            if stop_count == producer_num:
                break

            msg = message.get()
            if msg is None:
                stop_count += 1
                continue

            image, label = msg
            learning_rate = 1e-5 if i < 500 else 1e-6
            sess.run(optimizer, feed_dict={inputs:image, outputs:label, lr:learning_rate, keep_prob:0.5})
            # if i % 50 == 0:
            #     summary, acc, l = sess.run([merged, accuracy, cross_entropy], feed_dict={inputs:image, outputs:label ,keep_prob:1.0})
            #     print 'iter:{}, acc:{}, loss:{}'.format(i, acc, l)            

            #     writer.add_summary(summary, i)
        print 'run time: ', time.time() - st
        saver.save(sess, './models/vgg.ckpt')  
        
        

    return

if __name__ == '__main__':
    
    BATCH_SIZE = 128
    producer_num = 4
    message = Queue.Queue(200)

    for i in xrange(producer_num):
        producer_name = 'p{}'.format(i)
        locals()[producer_name] = threading.Thread(target=data_pipline, args=(BATCH_SIZE,))
        locals()[producer_name].start()

    c = threading.Thread(target=train)1
    c.start()
    message.join()

耗时527.11s，下图为GPU使用率，可以看到基本上是100%。取消76-80行的注释会把中间结果写进tensorboard，但会多耗时一些，在执行这个步骤时GPU使用率也会降到0。


在这里只使用Baoli和Xingkai两种字体来做二分类，下图分别是训练时的accuracy和loss


5.评估
这里使用712字的次常用汉字来作为测试。测试是要注意的是，在训练时使用tf.image.per_image_standardization来将数据集进行标准化，若测试集用归一化，或者不做处理输出网络，那么所有的预测结果都会偏向于同一类。
如下是测试代码，在测试的时候偷了个懒，网络每次只接收一张图片，若要提升代码速度的话可以批量读取图片到内存，然后一起送进网络。

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import os
import random
import numpy as np
from scipy.misc import imresize, imrotate
import matplotlib.pyplot as plt 
import tensorflow as tf
from dataset.generator import read_text, draw_font
from nnets.vgg import vgg


def generator_images(texts, fonts):
    
    for text in texts:
        for font in fonts:
            image, _ = draw_font(text, font, mode='test')
            image = np.asarray(image)
            yield image, text


def run():

    file_name = u'test.txt'
    # file_name = u'dataset/中国汉字大全.txt'
    texts = read_text(file_name)

    fonts_dir = os.path.join('dataset', 'fonts')
    fonts = [os.path.join(os.getcwd(), fonts_dir, path) for path in os.listdir(fonts_dir)] 

    images_gen = generator_images(texts, fonts)

    inputs = tf.placeholder(tf.float32, shape = [None, None, 3])
    example = tf.cast(tf.image.resize_images(inputs, [128, 128]), tf.uint8) 
    example = tf.image.per_image_standardization(example)
    example = tf.expand_dims(example, 0)
    outputs = vgg(example, 2, 1.0)

    sess = tf.Session()
    restorer = tf.train.Saver()
    restorer.restore(sess, 'models/vgg.ckpt')

    error = 0
    error_texts = []
    for index, info in enumerate(images_gen):
        
        image, text = info
        pred = sess.run(outputs, feed_dict={inputs:image})
        pred = np.squeeze(pred)
        label = np.squeeze(np.where(pred==np.max(pred)))
        if index % 2 != label:
            error_texts.append((text, pred.tolist()))
            error += 1
            

    print 'test num: {}, error num: {}, acc: {}'.format(index + 1, error, 1 - float(error) / index)





输出结果如下：

test num: 1424, error num: 6, acc:0.9957865168539326

因为类别为2，所以测试集大小为712×2=1424
接着将错误的类别可视化：

def show_errors(error_infos, fonts):

    
    length = len(error_infos)
    labels = len(fonts)
    for i in xrange(length):
        text, pred = error_infos[i]
        index = pred.index(max(pred))
        for j in xrange(labels):
            axis = plt.subplot(length, labels, i * labels + j + 1)
            axis.axis('off')
            font = fonts[j]
            image, _ = draw_font(text, font, mode='test')
            if index == j:
                plt.title(str(pred))
            plt.imshow(image)
    plt.show()





可以看到被误分类的字分别是皿、吆、蚣、豺、鹦、豁。具体的误分类情况为：

Baoli的皿以0.978的概率被判断为Xingkai
Xingkai的吆以0.783的概率被判断为Baoli
Baoli的蚣以0.801的概率被判断为Xingkai
Xingkai的豺以0.591的概率被判断为Baoli
Baoli的鹦以0.827的概率被判断为Xingkai
Baoli的豁以0.578的概率被判断为Xingkai
接着可以再看一下训练数据的情况：

test num: 5988, error num: 0, acc:1.0

所有图片均没有被误分类。




然后把训练集和测试集互换一下，即用1424张图片训练，5988张图片测试，结果如下：


test num: 5988, error num: 82, acc: 0.986303657926



可以说明这两种字体的特征区分比较明显，而且神经网络也算是学到了正确的特征，在字体格式统一的情况下，并没有过拟合。




再来看看网络的抗噪性能，给测试图片加上均值0，方差1的高斯噪声，并随机旋转30°，随机放缩0.8-1.2倍。
效果图如下图，这里因为加入float格式的高斯噪声，而matplotlib的显示格式是uint8，因此在imshow的时候要把image转化为image.astype(np.uint8)：


函数generator_images修改如下：
def generator_images(texts, fonts):
    
    mean, sigma = 0, 1
    random_rotate = 30
    random_scale = 0.2

    for text in texts:
        for font in fonts:
            image, _ = draw_font(text, font, mode='test')
            image = np.asarray(image)
            image = imresize(image, random.uniform(1-random_scale, 1+random_scale))
            image = imrotate(image, random.uniform(-random_rotate, random_rotate))
            image = image + np.random.normal(mean, sigma, size = image.shape)
            
            yield image, text


结果如下：
test num: 1424, error num: 359, acc: 0.747716092762

本文介绍了latex中常用的功能

目录
符号大全
字母样式
分式、矩阵、多项式
重音符号（向量符号）
希腊字母
二元关系
运算符
大运算符（积分求和）
箭头
定界符（括号）
其他符号
基本结构
注释
换行
空格
中文
算法
表格
表格在页面位置
表格字体大小
单元格内换行
设置表格总长
表格内自动换行（限制列宽）
设置表格宽度
调整行高
设置表格某列的宽度
高端的三线表格
多个小表格组合
1.一个table夹带多个tabular
2.figure夹带多个tabular
3.一个tabular布局多个表格
斜线方向的设定
调整间距
插入图片
更高级的插图
公式
可以换行的公式
公式对齐
页脚注释
枚举
字体与字号

符号大全
因为符号更常用，所以放到前面了。
字母样式
第一行是罗马体，第二行是斜体，第三行类似于斜体



斜体（强烈推荐用于文本）

语法 \textit{Precision}

语法 \emph{Precision}
粗体（强烈推荐用于文本）

语法 \textbf{Precision}
粗斜体（强烈推荐用于文本）

语法 \textbf{\textit{Precision}}

语法 \textbf{\emph{Precision}}
上述三种用于文本，其余用于公式

正粗体

语法 \mathbf{012…abc…ABC…}
粗体

语法 \boldsymbol{012…abc…ABC…\alpha \beta\gamma…}
分式、矩阵、多项式




语法
效果




\frac{2}{4}=0.5
$\frac{2}{4}=0.5$


\cfrac{2}{c + \cfrac{2}{d + \cfrac{2}{4}}} =a
$\cfrac{2}{c + \cfrac{2}{d + \cfrac{2}{4}}} =a$


\dbinom{n}{r}=\binom{n}{n-r}=Cn_r=Cn_{n-r}
$\dbinom{n}{r}=\binom{n}{n-r}=C^n_r=C^n_{n-r}$


矩阵






重音符号（向量符号）

希腊字母

二元关系



运算符

大运算符（积分求和）

箭头



定界符（括号）





其他符号


\Delta:   $\Delta$

前置上下标:    ${}_1^2\!X_3^4$





基本结构
\documentclass[12pt, letterpaper]{article}
\usepackage[utf8]{inputenc}
\usepackage{comment}

% Title
\title{Document Title} %标题
\author{Rooney \thanks{Somebody}}
\date{2020-05-09}

\begin{document}

\begin{titlepage}
\maketitle
\end{titlepage}

\tableofcontents

\begin{abstract}
This is a simple paragraph at the beginning of the
document. A brief introduction about the main subject.
\end{abstract}

First document. This is a simple example, with no
extra parameters or packages included.

% Comments
\begin{comment}
This text won't show up in the compiled pdf
this is just a multi-line comment. Useful
to, for instance, comment out slow-rendering
while working on the draft. 相当于加强版的 % 
\end{comment}

\end{document}


其中，\documentclass命令是用于设置LaTex文件所生成文档的格式. 其命令语法如下所示：          \documentclass[options]{class}

常见的class可选项：




class
文体




article
科技论文，报告，软件文档等


IEEEtran
IEEE Transactions 格式.


report
长篇报告(如:学位论文)


常见的option可选项：




option
內容




12pt
文档正文使用的字体大小(默认为10pt)


twoside, oneside
分成几列，一般期刊论文是两列


report
长篇报告(如:学位论文)


注释
先加载宏包：
\usepackage{comment}

一般用 % 注释一段话，看也可以用\begin{comment}  注释内容  \end{comment }来注释好几段话。
换行
两个反斜杠 \
空格
波浪线~
中文
将WinEdt设置为默认使用UTF8格式打开tex文件。

如果WinEdt打开一个UTF-8格式的文件显示乱码，可在Document->Document Setting->Format->File Format中选择UTF-8

或者在在该文件的开始处添加一行
% !Mode:: "TeX:UTF-8"

Latex环境中使用中文需要注意的一点是: Latex编辑器读入文件的使用的编码格式一定要与该文件的编码格式一致。

1.使用ctexart
\documentclass[UTF8]{ctexart}
\usepackage{CJK}

\begin{document}
Hello, World!
世界, 你好!
\emph{世界, 你好!}  %斜体
\textbf{世界, 你好!}  % 粗体
{\CJKfamily{hei}  黑体}
{\CJKfamily{kai}  楷体}
{\CJKfamily{li} 隶书}
{\CJKfamily{fs} 仿宋}
{\CJKfamily{song} 宋体}

\end{document}



2.使用CTEX中文包(UTF8格式)
\documentclass[UTF8]{article}
\usepackage{CTEX}

\begin{document}
\section{字体设置}
{\kaishu 楷体}
{\songti 宋体}
{\heiti 黑体}
{\fangsong 仿宋}  
\end{document} 


算法
先加载宏包：
\usepackage{algorithm}
\usepackage{algorithmic}
\renewcommand{\algorithmicrequire}{ \textbf{Input:}}     % Input 代替 Require
\renewcommand{\algorithmicensure}{ \textbf{Initialize:}} % Initialize 代替 Ensure
\renewcommand{\algorithmicreturn}{ \textbf{Output:}}     % Output 代替 Return

\begin{algorithm}
	\caption{Title of the Algorithm}
	\label{algo:ref}
	\begin{algorithmic}[1]
		\REQUIRE some words.  % this command shows "Input"
		\ENSURE ~\\           % this command shows "Initialized"
		some text goes here ...\\
		\WHILE {\emph{not converged}}
		\STATE ... \\  % line number at left side
		\ENDWHILE
		\RETURN this is the lat part.  % this command shows "Output"
	\end{algorithmic}
\end{algorithm}


表格
需要加载宏包：
\usepackage{booktabs} 
\usepackage{tabularx} 
\usepackage{multicol}
\usepackage{multirow}
\usepackage{threeparttable} %三线表格
\usepackage{diagbox} %斜对角线
\usepackage{array}

示例一：
\begin{table}[h]
\centering  %居中表格
\caption{this is my table}
\begin{tabular}{llr}  %%前两列左对齐，第三列右对齐
%也可以设置每一列的宽度 \begin{tabular}{p{3.5cm}|p{2cm}|p{5cm}}
%也可以设置表格总宽度的宽度 \begin{tabularx}{12cm}
\hline
\multicolumn{2}{c}{Item} \\ %Item写于前两列的合并
\cline{1-2}  %只画前两行的横线
Animal    & Description & Price (\$) \\
\hline
Gnat      & per gram    & 13.65      \\
          & each        & 0.01       \\
Gnu       & stuffed     & 92.50      \\
Emu       & stuffed     & 33.33      \\
Armadillo & frozen      & 8.99       \\
\hline
\end{tabular}
\end{table}



代码第四行决定表格中内容的对齐形式：
\begin{tabular}[pos]{table spec}  

table spec选项：




table spec
作用
样例




l
左对齐
{l c r}


c
居中
{l c r}


r
右对齐
{l c r}


p
限制列宽



表格内容中的一些符号作用




符号
作用




&
列分隔


\
新列


\hline
画一条水平线


\newline
在列中换行


\cline{i-j}
在水平方向从第 i 列 到 第 j 列画横线段


表格中行间距
\renewcommand{\arraystretch}{1.5} %默认是1.0

示例二：三线表格（更常用）
\begin{table}[h]
\caption{This my second table}
\centering
\begin{tabular}{ccc}
\toprule %命令是画出表格最上边的一条粗实线(rule)
Name & ID & Gender\\
\midrule % 命令是画出表格中间的细实线。 效果如下图所示：
Tom & 001& Male\\
Rose & 002& Female\\
\bottomrule %命令是画出表格最下边的一条粗实线.
\end{tabular}
\end{table}



示例三：跨越两栏的多表格

如何跨越？——\begin{table}[h ]改成 \begin{table*}[h]

多表格的设置有点巧妙：
在这里插入代码片

表格在页面位置
\begin{table}[h]在方括号中修改。

h Here - at the position in the text where the table environment appears.
t Top - at the top of a text page.
b Bottom - at the bottom of a text page.
p Page of floats - on a separate float page, which is a page containing no text, only floats.

表格字体大小
插入\begin{table}[h] 和 \begin{tabular}之间。
\tiny
\scriptsize
\footnotesize
\small
\normalsize % 默认
\large
\Large
\LARGE
\huge
\Huge

单元格内换行
\shortstack{ 第一行的內容 \ 第二行的内容 }
{\emph{Suspect}} & \shortstack{Authenticate \\ Accuracy} & {\emph{Authenticate Accuracy}} & \shortstack{First line\\(second line)} \\

设置表格总长
\begin{table}
\caption{设置表格总长}
\begin{tabular*}{12cm}{lll}
\hline
Start & End  & Character Block Name \\
\hline
3400  & 4DB5 & CJK Unified Ideographs Extension A \\
4E00  & 9FFF & CJK Unified Ideographs \\
\hline
\end{tabular*}
\end{table}

设置表格总长是12cm


表格内自动换行（限制列宽）
\begin{document}
\begin{table}
	\caption{自动换行}
	\begin{center}
		\begin{tabular}{|l|l|l|l| p{5cm}|}  % p{5cm}改成m{0.08\textwidth}也行
			\hline
			Item & Name & Gender & Habit & Self-introduction \\ \hline
			1 & Jimmy & Male & Badminton & Hi, everyone,my name is Jimmy. I come from Hamilton,
			and it's my great honour to give this example. My topic is about how to use p{width} command \\ \hline
			2 & Jimmy & Male & Badminton & Hi, everyone,my name is Jimmy. I come from Hamilton,
			and it's my great honour to give this example. My topic is about how to use p{width} command \\
			\hline
		\end{tabular}
	\end{center}
\end{table}

\begin{tabular}{|l|l|l|l| p{5cm}|}设置最后一列最大是5cm,超出部分要换行。注意，只能使用p限制列宽。p也可以用m代替，p是限制列宽的的左对齐，m是限制列宽的右对齐。


设置表格宽度
需要用到  \usepackage{tabularx,multirow}，注意，这里是tabularx
\begin{table}
	\caption{表格宽度X}
	\begin{tabularx}{10cm}{llX}  % 10cm 減去前兩個欄位寬度後，剩下的通通給
		\hline                      % 第三欄位使用，文字超出的部份會自動折行
		Start & End  & Character Block Name  \\
		\hline
		3400  & 4DB5 & CJK Unified Ideographs Extension A \\
		4E00  & 9FFF & CJK Unified Ideographs \\
		\hline
	\end{tabularx}
\end{table}


调整行高
在该行内容开始之前添加以下命令即可：\rule{0pt}{15pt}

0pt 的意义无需太多关心，15pt 表示行高。
设置表格某列的宽度
注意，只能使用p限制列宽。p也可以用m代替，**p是限制列宽的的左对齐，m是限制列宽的右对齐。
\begin{table}[h] %开始一个表格environment，表格的位置是h,here。
	\caption{改变表格任一列宽} %显示表格的标题
	\begin{tabular}{p{3.5cm}|p{2cm}|p{5cm}} %设置了每一列的宽度，强制转换。
		\hline
		\hline
		Format & Extension & Description \\ %用&来分隔单元格的内容 \\表示进入下一行
		\hline %画一个横线，下面的就都是一样了，这里一共有4行内容
		Bitmap & .bmp & Bitmap images are recommended because they offer the most control over the exact image and colors.\\
		\hline
		Graphics Interchange Format (GIF) & .gif & Compressed image format used for Web pages. Animated GIFs are supported.\\
		\hline
		Joint Photographic Experts Group (JPEG) & .jpeg, .jpg & Compressed image format used for Web pages.\\
		\hline
		Portable Network Graphics (PNG) & .png & Compressed image format used for Web pages.\\
		\hline
		\hline
	\end{tabular}
\end{table}



如果又要设定列宽又要居中，得在p{2cm}后面添加<{\centering}：
\begin{table}[h] %开始一个表格environment，表格的位置是h,here。
	\caption{改变表格任一列宽+居中} %显示表格的标题
	\begin{tabular}{p{3.5cm}<{\centering}|p{2cm}<{\centering}|p{5cm}<{\centering}} %设置了每一列的宽度，强制转换。
		\hline
		\hline
		Format & Extension & Description \\ %用&来分隔单元格的内容 \\表示进入下一行
		\hline %画一个横线，下面的就都是一样了，这里一共有4行内容
		Bitmap & .bmp & Bitmap images are recommended because they offer the most control over the exact image and colors.\\
		\hline
		Graphics Interchange Format (GIF) & .gif & Compressed image format used for Web pages. Animated GIFs are supported.\\
		\hline
		Joint Photographic Experts Group (JPEG) & .jpeg, .jpg & Compressed image format used for Web pages.\\
		\hline
		Portable Network Graphics (PNG) & .png & Compressed image format used for Web pages.\\
		\hline
		\hline
	\end{tabular}
\end{table}


高端的三线表格
\begin{table}[tp]

  \centering
  \fontsize{6.5}{8}\selectfont
  \begin{threeparttable}
  \caption{Demographic Prediction performance comparison by three evaluation metrics.}
  \label{tab:performance_comparison}
    \begin{tabular}{ccccccc}
    \toprule
    \multirow{2}{*}{Method}&
    \multicolumn{3}{c}{ G}&\multicolumn{3}{c}{ G}\cr
    \cmidrule(lr){2-4} \cmidrule(lr){5-7}
    &Precision&Recall&F1-Measure&Precision&Recall&F1-Measure\cr
    \midrule
    kNN&0.7324&0.7388&0.7301&0.6371&0.6462&0.6568\cr
    F&0.7321&0.7385&0.7323&0.6363&0.6462&0.6559\cr
    E&0.7321&0.7222&0.7311&0.6243&0.6227&0.6570\cr
    D&0.7654&0.7716&0.7699&0.6695&0.6684&0.6642\cr
    C&0.7435&0.7317&0.7343&0.6386&0.6488&0.6435\cr
    B&0.7667&0.7644&0.7646&0.6609&0.6687&0.6574\cr
    A&{\bf 0.8189}&{\bf 0.8139}&{\bf 0.8146}&{\bf 0.6971}&{\bf 0.6904}&{\bf 0.6935}\cr
    \bottomrule
    \end{tabular}
    \end{threeparttable}
\end{table}


\multirow参数：
\multirow{nrows}[bigstructs]{width}[fixup]{text}

    nrows   设定所占用的行数。

    bigstructs  此为可选项，主要是在你使用了 bigstruct 宏包时使用。

    width  设定该栏文本的宽度。如果想让 LaTeX 自行决定文本的宽度，则用 * 即可。

    fixup   此为可选项，主要用来调整文本的垂直位置。

    text     所要排版的文本。可用 \\ 来强迫换行。

多个小表格组合
1.一个table夹带多个tabular

\begin{table}
	\centering
	{\centerline{\bf (a). CDR samples}}
	\vspace{1.0mm}
	\begin{tabular}{|l|c|c|c|}
		\hline
		\textbf{record-id} & \textbf{user-id} & \textbf{online-time} & \textbf{offline-time} \\\hline
		1    & \#user-1           & \#timestamp-1  & \#timestamp-2           \\\hline
		2    & \#user-2           & \#timestamp-3  & \#timestamp-4           \\\hline
		3    & \#user-2           & \#timestamp-5  & \#timestamp-6           \\\hline
		4    & \#user3            & \#timestamp-7  & \#timestamp-8           \\\hline
		\vdots & \vdots           & \vdots          &\vdots\\\hline
	\end{tabular}

	\vspace{3mm}
	\centering
	\centerline{\bf (b). DTR samples}
	\vspace{1.0mm}
	\begin{tabular}{|l|c|c|c|}
		\hline
		\textbf{record-id} & \textbf{user-id} & \textbf{online-time} & \textbf{offline-time} \\\hline
		1    & \#user-1           & \#timestamp-1  & \#timestamp-2           \\\hline
		2    & \#user-2           & \#timestamp-3  & \#timestamp-4           \\\hline
		3    & \#user-2           & \#timestamp-5  & \#timestamp-6           \\\hline
		4    & \#user3            & \#timestamp-7  & \#timestamp-8           \\\hline
		\vdots & \vdots           & \vdots          &\vdots\\\hline
	\end{tabular}

	\vspace{3mm}
	\centering
	\centerline{\bf (c). DTR samples}
	\vspace{1.0mm}

	\begin{tabular}{|l|c|c|c|}
		\hline
		\textbf{record-id} & \textbf{user-id} & \textbf{online-time} & \textbf{offline-time} \\\hline
		1    & \#user-1           & \#timestamp-1  & \#timestamp-2           \\\hline
		2    & \#user-2           & \#timestamp-3  & \#timestamp-4           \\\hline
		3    & \#user-2           & \#timestamp-5  & \#timestamp-6           \\\hline
		4    & \#user3            & \#timestamp-7  & \#timestamp-8           \\\hline
		\vdots & \vdots           & \vdots          &\vdots\\\hline
	\end{tabular}

	\vspace{1.5mm}
	\caption{CDR (Call Detail Records) and DTR (Data Traffic Records) samples.}
\end{table}


2.figure夹带多个tabular
\begin{figure}
	\centering
	{\centerline{\bf (a). CDR samples}}
	\vspace{1.0mm}
	\begin{tabular}{|l|c|c|c|}
		\hline
		\textbf{record-id} & \textbf{user-id} & \textbf{online-time} & \textbf{offline-time} \\\hline
		1    & \#user-1           & \#timestamp-1  & \#timestamp-2           \\\hline
		2    & \#user-2           & \#timestamp-3  & \#timestamp-4           \\\hline
		3    & \#user-2           & \#timestamp-5  & \#timestamp-6           \\\hline
		4    & \#user3            & \#timestamp-7  & \#timestamp-8           \\\hline
		\vdots & \vdots           & \vdots          &\vdots\\\hline
	\end{tabular}

	\vspace{3mm}
	\centering
	\centerline{\bf (b). DTR samples}
	\vspace{1.0mm}
	\begin{tabular}{|l|c|c|c|}
		\hline
		\textbf{record-id} & \textbf{user-id} & \textbf{online-time} & \textbf{offline-time} \\\hline
		1    & \#user-1           & \#timestamp-1  & \#timestamp-2           \\\hline
		2    & \#user-2           & \#timestamp-3  & \#timestamp-4           \\\hline
		3    & \#user-2           & \#timestamp-5  & \#timestamp-6           \\\hline
		4    & \#user3            & \#timestamp-7  & \#timestamp-8           \\\hline
		\vdots & \vdots           & \vdots          &\vdots\\\hline
	\end{tabular}

	\vspace{3mm}
	\centering
	\centerline{\bf (c). DTR samples}
	\vspace{1.0mm}

	\begin{tabular}{|l|c|c|c|}
		\hline
		\textbf{record-id} & \textbf{user-id} & \textbf{online-time} & \textbf{offline-time} \\\hline
		1    & \#user-1           & \#timestamp-1  & \#timestamp-2           \\\hline
		2    & \#user-2           & \#timestamp-3  & \#timestamp-4           \\\hline
		3    & \#user-2           & \#timestamp-5  & \#timestamp-6           \\\hline
		4    & \#user3            & \#timestamp-7  & \#timestamp-8           \\\hline
		\vdots & \vdots           & \vdots          &\vdots\\\hline
	\end{tabular}

	\vspace{1.5mm}
	\caption{CDR (Call Detail Records) and DTR (Data Traffic Records) samples.}
\end{figure}

注意：题注变成了图一


3.一个tabular布局多个表格
比较麻烦，但是好控制：
\begin{table*}
	\scriptsize
	\centering
	% \fontsize{8}{15}\selectfont  %{字体尺寸}{行距}
	\begin{tabular}{|c|c|c|c|c|c|c|c|c|c|}
		
		\multicolumn{10}{c}{ (a).Adult} \vspace{0.5mm}%调整间距
		\\\hline
		\multirow{2}{*}{Metrics}& \multicolumn{8}{c|}{Ours}&  \multirow{2}{*}{\shortstack{ Merrer et al. \\ (DNN Only)}}\\\cline{2-9}
		&\multicolumn{1}{c|}{XGB}&{DT}&LR1&LR2&SVM&DNN&RF&Average&\\\cline{1-10}
		%在第2列到第5列下面划线
		\multicolumn{1}{|c|}{Authentication Accuracy} &100.0\%&100.0\%&50.0\%&100.0\%&100.0\%&50.0\%&100.0\%&85.70\%&100.0\%\\\hline
		\multicolumn{1}{|c|}{Original Classification Accuracy} &86.1\%&84.5\%&82.4\%&78.6\%&77.9\% &76.5\%&85.1\%&81.6\%&85.33\%\\\hline
		\multicolumn{1}{|c|}{Classification Accuracy Decline} &
		\diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & 0.41\%\\\hline
		\multicolumn{10}{c}{~}\\
		
		% Mnist dataset
		\multicolumn{10}{c}{ (b).Mnist} \vspace{0.5mm}%调整间距
		\\\hline
		\multirow{2}{*}{Metrics}& \multicolumn{8}{c|}{Ours}&  \multirow{2}{*}{\shortstack{ Merrer et al. \\ (CNN Only)}}\\\cline{2-9}
		&\multicolumn{1}{c|}{XGB}&{DT}&LR1&LR2&SVM&DNN&RF&Average&\\\cline{1-10}
		%在第2列到第5列下面划线
		\multicolumn{1}{|c|}{Authentication Accuracy} &100.0\%&100.0\%&50.0\%&100.0\%&100.0\%&50.0\%&100.0\%&85.7\%&100.0\%\\\hline
		\multicolumn{1}{|c|}{Original Classification Accuracy} &86.1\%&84.5\%&82.4\%&78.6\%&77.9\% &76.5\%&85.1\%&81.6\%&99.5\%\\\hline
		\multicolumn{1}{|c|}{Classification Accuracy Decline} &
		\diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & 2.73\%\\\hline
		\multicolumn{9}{c}{~}\\
		
		% purchase50 dataset
		\multicolumn{10}{c}{ (c).Purchase50} \vspace{0.5mm}%调整间距
		\\\hline
		\multirow{2}{*}{Metrics}& \multicolumn{8}{c|}{Ours}&  \multirow{2}{*}{\shortstack{ Merrer et al. \\ (CNN Only)}}\\\cline{2-9}
		&\multicolumn{1}{c|}{XGB}&{DT}&LR1&LR2&SVM&DNN&RF&Average&\\\cline{1-10}
		%在第2列到第5列下面划线
		\multicolumn{1}{|c|}{Authentication Accuracy} &100.0\%&100.0\%&50.0\%&100.0\%&100.0\%&50.0\%&100.0\%&85.7\%&62.60\%\\\hline
		\multicolumn{1}{|c|}{Original Classification Accuracy} &86.1\%&84.5\%&82.4\%&78.6\%&77.9\% &76.5\%&85.1\%&81.6\%&87.36\%\\\hline
		\multicolumn{1}{|c|}{Classification Accuracy Decline} &
		\diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & 3.71\%\\\hline
		\multicolumn{9}{c}{~}\\
		
		% purchase100 dataset
		\multicolumn{10}{c}{ (d).Purchase100} \vspace{0.5mm}%调整间距
		\\\hline
		\multirow{2}{*}{Metrics}& \multicolumn{8}{c|}{Ours}&  \multirow{2}{*}{\shortstack{ Merrer et al. \\ (CNN Only)}}\\\cline{2-9}
		&\multicolumn{1}{c|}{XGB}&{DT}&LR1&LR2&SVM&DNN&RF&Average&\\\cline{1-10}
		%在第2列到第5列下面划线
		\multicolumn{1}{|c|}{Authentication Accuracy} &100.0\%&100.0\%&50.0\%&100.0\%&100.0\%&50.0\%&100.0\%&85.7\%&55.0\%\\\hline
		\multicolumn{1}{|c|}{Original Classification Accuracy} &86.1\%&84.5\%&82.4\%&78.6\%&77.9\% &76.5\%&85.1\%&81.6\%&83.63\%\\\hline
		\multicolumn{1}{|c|}{Classification Accuracy Decline} &
		\diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & \diagbox[dir=SW]{}{} & 3.0\%\\\hline
		\multicolumn{9}{c}{~}\\
		
		
		
	\end{tabular}
	\label{tab1}
	\caption{Authentication results for multiple datasets}
\end{table*}


斜线方向的设定
https://www.jianshu.com/p/f357142fc515


\begin{tabular}{|l|c|c|c|}
	\hline
	\diagbox{学科}{成绩}{姓名} & ABC & BBC & CED \\
	\hline
	数学 & 99 & 89 & \diagbox{ce1}{ce2} \\
	\hline
	化学 & \diagbox[dir=SW]{ce3}{ce4} & 67 & 82 \\   % 注意方向参数是[]
	\hline
\end{tabular}



有时候斜线会出现不对齐的情况：



在 \diagbox 后加入[trim=l,width=16em]，通过不断调整width参数，可以对齐：
在这里插入代码片

调整间距
以下的命令都放在 \begin{tabular} 之前

表格段后间距调整
\setlength{\baselineskip}{1.5em} % 行间距

表格段前间距调整
\setlength{\parskip}{2.0ex} % 段间距

表格列宽度的调整
\renewcommand\tabcolsep{5.0pt} % 调整表格列间的长度 可以用7mm代替5.0pt

调整表格整体宽度，这里用的时候要注意
\resizebox{\textwidth}{15mm}{
\begin{tabular}{cccccccccccc}
。。。。。。表格內容

\end{tabular}}

调整单个单元格宽度：
\begin{tabular}{| l | c | c | c || p{1.5cm} |}

插入图片
\usepackage[pdftex]{graphicx}
% 设置图片文件存放路径
\graphicspath{../figures}  
 
\begin{document}
% 在正文中引用图片时使用\ref 
  In Figure \ref{fig:foo} 
\begin{figure}
%设置对齐格式
\centering   %图片居于页面中部
%指定图形大小和图形名称  
\includegraphics [width=0.8，height=2.5]{foo.png} 
%设置标题 
\caption{Foo} 
%设置图形引用名称
\label{fig:foo} 
\end{figure}
 
\end{document}

插入pdf格式的图片：

添加包 \usepackage{graphicx}
\begin{figure}[htbp] 
\centering 
\includegraphics[height=4.5cm, width=7.5cm]{pdf_file} 
\caption{Design} 
\end{figure}
# 其中，pdf_file表示要插入的pdf图片文件名，不需要加后缀。

更高级的插图
插入多组图片并实现自动编号：

首先使用宏包：

\usepackage{graphicx}

\usepackage{subfigure}

竖向插入
\begin{figure}
\centering
\subfigure[the first subfigure]{
\begin{minipage}[b]{0.2\textwidth}
\includegraphics[width=1\textwidth]{fig1.eps} \\
\includegraphics[width=1\textwidth]{fig2.eps}
\end{minipage}}

\subfigure[the second subfigure]{
\begin{minipage}[b]{0.2\textwidth}
\includegraphics[width=1\textwidth]{fig3.eps} \\
\includegraphics[width=1\textwidth]{fig4.eps}
\end{minipage}}
\end{figure} 

横向插入
\begin{figure}
\begin{minipage}[t]{0.5\linewidth}
\centering
\includegraphics[width=2.2in]{fig1.eps}
\caption{fig1}
\label{fig:side:a}
\end{minipage}%

\begin{minipage}[t]{0.5\linewidth}
\centering\includegraphics[width=2.2in]{fig2.eps}
\caption{fig2}
\label{fig:side:b}
\end{minipage}
\end{figure}

插入占据双列的图片
\begin{figure*}
\centering
\subfigure[XGB]{
\includegraphics[width=5cm]{number_of_classes_0.pdf}}
\subfigure[DT]{
\includegraphics[width=5cm]{number_of_classes_1.pdf}}
\subfigure[LR1]{
\includegraphics[width=5cm]{number_of_classes_2.pdf}}

\subfigure[LR2]{
\includegraphics[width=4cm]{number_of_classes_3.pdf}}
\subfigure[SVC]{
\includegraphics[width=4cm]{number_of_classes_4.pdf}}
\subfigure[DNN]{
\includegraphics[width=4cm]{number_of_classes_5.pdf}}
\subfigure[RF]{
\includegraphics[width=4cm]{number_of_classes_6.pdf}}
\caption{MainfigureCaption}
\end{figure*}

效果：


公式
数学公式在文中的位置可分为两种: 行中公式和独立公式。
行中公式
毕达哥拉斯定理 \begin{math} x^{2}+y^{2}=z^{2} \end{math}又称勾股定理。

或
毕达哥拉斯定理 $ x^{2}+y^{2}=z^{2} $又称勾股定理。

以上两种效果是一样的。
独立公式
$$
v = v^{1}e_{1} + v^{2}e_{2} + v^{3}e_{3} = v^{i}e_{i}, i = 1,2,3
$$
或
\begin{equation}
v = v^{1}e_{1} + v^{2}e_{2} + v^{3}e_{3} = v^{i}e_{i}, i = 1,2,3
\end{equation}

注意下面的这一种会自带公式编号



引用公式
\begin{equation}\label{eq:Pythagorean theorem}
x^{2}+y^{2}=z^{2}
\end{equation}
公式\ref{eq:Pythagorean theorem}是毕达哥拉斯定理，在中国又称勾股定理。%这里引用了

公式中插入中文

使用\mbox{}可在数学公式中插入中文。
$$
\mbox{例如：} x_{1}, x_{2}, \cdots, x_{N} 
$$ 

可以换行的公式
\begin{equation}
	\begin{aligned}
		&\mathbb{E}_{ (\mathbf{x}^{i},y^{i})\sim{D_{train}}} [Uncertainty(f,\mathbf{x})] >\\
		&\mathbb{E}_{ (\mathbf{x}^{i},y^{i})\sim{D_{test}}} [Uncertainty(f,\mathbf{x})]
		\notag % 取消自动编号
	\end{aligned}
\end{equation}

效果：


公式对齐
为了让第一行和第二行的公式对齐，我们使用&来对齐每一行的公式：
\begin{equation}
\begin{aligned}
	sum &= a+b+c+d \\
	sub &= a-b
\end{aligned}
\end{equation}

效果：


页脚注释
在正文中添加页脚注释的命令是:\footnote, 例如：
正文内容\footnote{注释内容}

也可以使用\footnotemark和\footnotetext 添加页脚注释，例如：
在这里添加页脚注释角标\footnotemark
%% ...
在这里设置注释内容\footnotetext{注释内容}

枚举
先加载宏包：
\usepackage{enumitem}

有很多款式，随意选择：

\begin{enumerate}[label=(\alph*)]
\item an apple
\item a banana
\item a carrot
\item a durian
\end{enumerate}

\begin{enumerate}[label=(\Alph*)] % 大写
\item an apple
\item a banana
\item a carrot
\item a durian
\end{enumerate}

\begin{enumerate}[label=(\roman*)]  %罗马字体
\item an apple
\item a banana
\item a carrot
\item a durian
\end{enumerate}


字体与字号
可以添加在 \begin{table}后面，控制整个表格的字体。

Latex的字体由小到大分别为
\tiny
\scriptsize
\footnotesize
\small
\normalsize
\large
\Large
\LARGE
\huge
\Huge

例如

如果在文档局部微调某些字句的字体大小：
    {\tiny           Hello}\\
    {\scriptsize     Hello}\\
    {\footnotesize   Hello}\\
    {\small          Hello}\\
    {\normalsize     Hello}\\
    {\large          Hello}\\
    {\Large          Hello}\\
    {\LARGE          Hello}\\
    {\huge           Hello}\\
    {\Huge           Hello}\\

如果需要在大范围调整，可使用\begin{}和\end{}命令。 例如：
\begin{footnotesize}
The  package uses new font size other than default size.
\end{footnotesize} 

Latex字体大小一般以pt做单位，pt是point的简写。

Latex文档字体大小的默认值\normalsize 是 10 points。\documentclass命令可以在导言区修改字体大小默认值，例如：
\documentclass[12pt, letterpaper]{article}

中文排版通常使用字号，例如：五号字，六号字等。 字号与pt的关系如下所列：
\begin{tabular}{lll}
\hline
七号   & 5.25pt  & 1.845mm \\
六号   & 7.875pt & 2.768mm \\
小五号 & 9pt     & 3.163mm \\
五号   & 10.5pt  & 3.69mm \\
小四号 & 12pt    & 4.2175mm \\
四号   & 13.75pt & 4.83mm \\
三号   & 15.75pt & 5.53mm \\
二号   & 21pt    & 7.38mm \\
一号   & 27.5pt  & 9.48mm \\
小初号 & 36pt    & 12.65mm \\
初号   & 42pt    & 14.76mm \\
\hline
\end{tabular}

或者直接自己根据pt定义字体大小：
\fontsize{20pt}{24pt}百度

参考：https://blog.csdn.net/cocoonyang/article/details/78036326

https://blog.csdn.net/guifeng93/article/details/81035335

https://www.cnblogs.com/veagau/articles/11733769.html
表格示例大全