本地LaTeX编写环境配置

简介: LaTeX是一种高质量排版系统,适用于学术论文、书籍等文档。本地配置主要基于VS Code,通过安装LaTeX Workshop插件实现一键配置。还可通过Overleaf Workshop插件连接在线平台Overleaf,实现线上线下同步编辑与编译。

介绍一下本地LaTeX环境编写环境的配置。

1 LaTeX简介(kimi生成)

LaTeX是一种基于TeX的排版系统,广泛应用于学术论文、书籍、报告等文档的排版。它具有以下特点:

  • 高质量排版:LaTeX能够生成高质量的文档,特别是在处理数学公式、表格、图形等方面表现出色。
  • 结构化文档:LaTeX使用结构化标记语言,可以方便地定义文档的结构,如章节、段落、列表等。
  • 跨平台兼容:LaTeX可以在多种操作系统上使用,包括Windows、Mac OS和Linux。
    丰富的宏包:LaTeX拥有大量的宏包,可以扩展其功能,满足各种排版需求。
  • 易于学习和使用:虽然LaTeX的语法相对复杂,但通过使用模板和宏包,可以大大简化文档的排版过程。

LaTeX的基本语法包括文档类、导言区、正文区等部分。用户可以通过编写LaTeX代码来定义文档的结构和内容,然后使用LaTeX编译器生成PDF等格式的文档。

2 LaTeX安装

安装部分搜索Texlive即可。

3 VS code配置

本地编写环境主要是基于VS code配置,其实只需要用LaTeX workshop一键安装即可。

后续编译LaTeX的时候主要需要区分用哪个引擎来编译。如果有参考文献的(比如论文写作记得选有bibtex的)。

同时也支持编译后的页面展示。

4 VS code配置overleaf

Overleaf是一个在线的LaTeX编译环境。我们也可以在本地VS code配置Overleaf的账户。实现线上线下同步。也只需安装overleaf workshop插件。

后续在overleaf的project页面。用谷歌浏览器按F12。打开开发者工具。然后找“network→project→request header→cookie”。将cookie那串代码复制到VScode插件中的add overleaf host即可登录。

同步后效果。

参考链接:

目录
相关文章
|
Linux 网络安全 开发工具
校外网络连接校园网内的linux服务器方法(使用frp实现内网穿透)
平常在校园里连接校内实验室的linux服务器可以直接使用ssh直接链接私有ip地址,一旦本地移动到了校园网外部(如:使用手机流量wifi,或着暑假回家使用家庭wifi)便无法在使用ssh连接校内的服务器。本文提供一个实现校外也能访问校内服务器的方法
6555 0
校外网络连接校园网内的linux服务器方法(使用frp实现内网穿透)
|
5月前
|
开发工具 git
解决 VSCode 安装通义灵码后左侧菜单栏不显示按钮的问题
在 VSCode 中安装通义灵码插件后,若左侧活动栏未显示图标,可通过右键选中代码触发插件面板,并将其图标拖至左侧栏固定,便于后续快速使用。
2225 116
|
JSON 数据格式
vscode配置latex
本文档介绍如何在VSCode中配置LaTeX环境。首先需安装texlive和VSCode,并提前安装SumatraPDF以查看PDF文件。配置包括设置自动编译、PDF预览程序及正反向搜索等。提供了详细的`settings.json`配置示例,涵盖不同操作系统下的编译选项与方案。此外,还介绍了如何配置SumatraPDF实现与VSCode的跳转功能,以及相关快捷键的使用方法。
|
6月前
|
机器学习/深度学习 数据可视化 PyTorch
Flow Matching生成模型:从理论基础到Pytorch代码实现
本文将系统阐述Flow Matching的完整实现过程,包括数学理论推导、模型架构设计、训练流程构建以及速度场学习等关键组件。通过本文的学习,读者将掌握Flow Matching的核心原理,获得一个完整的PyTorch实现,并对生成模型在噪声调度和分数函数之外的发展方向有更深入的理解。
2691 0
Flow Matching生成模型:从理论基础到Pytorch代码实现
|
7月前
|
存储 机器学习/深度学习 人工智能
基于Memory Bank的Cursor长会话记忆内存库理论研究与实践
本文探讨了Memory Bank在解决大模型长期记忆问题中的应用,特别是在Cursor编程助手中的实践。Memory Bank通过分层存储、动态更新和精准检索机制,有效克服了传统模型在多轮对话中记忆丢失的问题。文章详细介绍了三种工具:Codelf、cursor-memory-bank-rules.md和One-Shot Memory Bank for Cursor的原理、配置及效果评测。其中,cursor-memory-bank-rules.md表现较好,适合项目梳理,但实际开发中的效果仍有待验证。
1777 11
基于Memory Bank的Cursor长会话记忆内存库理论研究与实践
|
数据采集 自然语言处理 文字识别
92页的llama 3.1技术报告,我替你们啃下来了
作者花了半个月时间,认真读完了llama 3.1技术报告,并总结成本文,希望能帮到对这个感兴趣的小伙伴们。
1800 9
92页的llama 3.1技术报告,我替你们啃下来了
|
机器学习/深度学习 计算机视觉 Python
【YOLOv11改进 - 注意力机制】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力
【YOLOv11改进 - 注意力机制】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力.EMA(Efficient Multi-Scale Attention)模块是一种高效多尺度注意力机制,旨在提高计算机视觉任务中的特征表示效果。该模块通过结合通道和空间信息、采用多尺度并行子网络结构以及优化坐标注意力机制,实现了更高效和有效的特征表示。EMA模块在图像分类和目标检测任务中表现出色,使用CIFAR-100、ImageNet-1k、MS COCO和VisDrone2019等数据集进行了广泛测试。
【YOLOv11改进 - 注意力机制】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力
|
Linux 应用服务中间件 nginx
|
算法 数据安全/隐私保护
常用的有限元网格生成方法
本文介绍了三种常见的有限元网格生成方法:映射法、四(八)叉树法和Delaunay三角化法。映射法通过坐标变换将物理域映射到规则参数域,适合生成结构化和非结构化网格,但处理复杂区域时较困难。四(八)叉树法基于栅格,通过递归细分逼近边界,适用于非结构化网格,但内部和边界网格的相容剖分较复杂。Delaunay三角化法通过保证外接圆特性生成高质量网格,适用于凸区域,但在凹区域需进行边界恢复。前沿推进法则从边界开始逐步向内生成网格,边界质量好,但数据结构设计和推进规则制定有一定挑战。这些方法各有优缺点,常结合使用以优化网格剖分。
2206 1