Latex中如何优雅地隐藏图编号

LaTeX技巧:优雅隐藏subfloat编号的三种实用方案 本文详细介绍了在LaTeX中优雅隐藏subfloat编号的三种实用方案,包括使用caption宏包配置、重定义subfloat环境以及替换subcaption宏包。这些方法能有效解决学术论文写作中子图编号显示异常的问题,帮助用户灵活应对不同期刊的格式要求。 阅读详情

1. 为什么需要隐藏图编号?从实际场景说起

写论文或者技术报告的时候,你有没有遇到过这样的纠结:文档里需要放一张图,但就是不想让它前面有个“Figure 1:”或者“图1:”这样的编号?我刚开始用Latex写东西的时候,就经常被这个问题困扰。比如,在做项目汇报的幻灯片(Beamer)里,插图只是为了辅助说明,加上编号反而显得累赘;又或者,在文档的开头放一个装饰性的示意图,它并不属于正文图表序列的一部分,给它编个号会让后续的图表编号从2开始,这看起来就不太专业。

更常见的是在一些非正式的技术报告、内部文档或者需要提交的补充材料里,你可能只需要展示图片和说明,而不希望引入复杂的交叉引用体系。这时候,如果还让Latex自动给每张图加上编号,不仅多余,还可能破坏文档整体的简洁感。我记得有一次给合作方写一个技术方案说明,里面就几张流程示意图,对方明确要求“不要有任何编号,保持干净”。我当时就对着\caption{}命令发了半天呆,心想,这玩意儿怎么关掉?

所以,“隐藏图编号”这个需求,远不止是去掉一个数字那么简单。它关乎文档的专业性和整洁性。一个优雅的解决方案,应该能做到:既移除了我们不需要的编号,又能保留对图片的说明文字(即图注),并且确保这个操作不会对文档中其他正常编号的图表产生任何“副作用”。简单粗暴地删掉\caption命令行不行?不行,因为那样你就失去了对图片的说明。我们需要的是“有说明,无编号”的完美状态。

2. 基础方法:星号命令 \caption*{}

最直接、最经典的方法,就是使用\caption命令的“星号”变体:\caption*{}。这个方法不需要加载任何额外的宏包,是Latex内核自带的功能,兼容性最好,可以说是“开箱即用”的首选。

它的用法简单到令人发指。假设你原来正常的带编号图是这样的:

\begin{figure}[htbp]
  \centering
  \includegraphics[width=0.8\textwidth]{my_plot.pdf}
  \caption{这是一个正常的图注,它会自动生成“图1:”这样的前缀。}
  \label{fig:normal}
\end{figure}

现在,你只想保留“这是一个正常的图注”这段文字,而不想要前面的“图1:”,那么只需要把\caption换成\caption*:

\begin{figure}[htbp]
  \centering
  \includegraphics[width=0.8\textwidth]{my_plot.pdf}
  \caption*{这是一个没有编号的图注,只有纯文本说明。}
  \label{fig:unnumbered}
\end{figure}

编译之后,你会看到图片下方只有你输入的说明文字,没有任何“Figure”或编号前缀。

这里有一个至关重要的细节,也是新手最容易踩的坑:\label命令的位置。 在带编号的\caption后面使用\label,\label会“记住”刚刚生成的编号(比如“fig:normal”对应“1”)。但是,当你使用\caption*时,由于根本没有生成编号,所以\label命令也就无号可记。此时,如果你在正文中用\ref{fig:unnumbered}来引用它,Latex通常会输出两个问号“??”或者章节编号,而不是你期望的“图X”。因此,对于纯粹装饰性、无需引用的图片,使用\caption*时,完全可以省略\label命令。 如果这张图你后续还需要在文字中提到,但又不想显示编号,那可能需要更高级的交叉引用技巧,我们

Latex小白必看:3种方法轻松去掉图片编号(附代码示例) 本文为LaTeX新手详细介绍了三种取消图片编号的实用方法。通过分析插图编号的生成逻辑,从局部使用`\caption*`命令和`caption`宏包配置,到全局修改计数器与标题格式,提供了清晰的代码示例和场景应用指南,帮助用户灵活掌控排版。 阅读详情

相关推荐

Typora隐藏技巧:5个90%用户不知道的高效操作(含LaTeX公式优化)

本文深入挖掘了Typora编辑器的五个隐藏高效技巧,旨在帮助用户超越基础操作,显著提升Markdown文档的编辑效率。核心内容包括LaTeX公式的自动编号与优化、CSS主题深度定制、自动化图床配置、项目级文件管理以及高级导出与工作流集成,特别适合科研写作和技术文档编辑。

j2k3l4的博客 798

Word与LaTeX文档排版:公式编号垂直居中与电子签名对齐实战

在学术写作与专业文档制作中,公式排版与签名对齐是体现严谨性的关键细节。公式编号的垂直居中问题源于排版引擎对基线对齐的默认处理,而签名行的错位则常因手动调整导致。从技术原理看,无论是Word的表格与制表位功能,还是LaTeX的amsmath宏包与tabular环境,都提供了系统性的解决方案,能确保格式的精确与稳定。这些方法的价值在于提升文档的专业度与可维护性,避免因格式瑕疵分散读者对核心内容的注意力。其应用场景广泛覆盖学术论文、技术报告、商业文档等各类正式文件的撰写。本文聚焦于**公式编号**与**电子签名*

weixin_30635053的博客 458

Word中优雅使用LaTeX公式:数学建模与论文排版的终极解决方案

在学术写作和技术文档创作中,公式排版是核心需求。LaTeX以其专业的数学公式排版能力成为学术界标准,但其学习门槛高、协作不便。Microsoft Word作为普及的文档工具,其原生公式编辑器在复杂公式处理上效率不足。本文聚焦于解决这一痛点,通过解析UnicodeMath与MathML的底层原理,构建LaTeX与Word间的技术桥梁。该方案的核心价值在于提升写作效率与排版质量,特别适用于数学建模竞赛、学术论文、技术报告等需要高质量公式呈现的场景。文中详细介绍了直接输入、批量转换(如利用MathPix Snip

weixin_30781433的博客 444

LaTeX子图排版指南:从subfigure到subcaption的演进与实战

在学术写作与科技文档排版中,LaTeX以其卓越的排版质量和内容与格式分离的理念,成为处理复杂图表和公式的首选工具。其核心原理在于通过宏包扩展系统功能,实现自动化、专业化的版面控制。这一技术价值在需要并排展示多张图片、进行统一编号和说明的“子图”排版场景中尤为突出,它能显著提升文档的专业性和可维护性。无论是学术论文、技术报告还是学位论文,规范且美观的图表布局都是传达信息的关键。本文聚焦于LaTeX子图排版的演进历程,深入解析了subfigure、subfig和subcaption等核心宏包,特别是针对subc

weixin_34321753的博客 470

IEEE论文排版进阶技巧:如何用LaTeX优雅处理数学附录的定理编号?

本文针对IEEE论文附录中数学定理编号混乱的问题,提供了专业的LaTeX进阶解决方案。通过深入解析IEEEtran模板的附录编号逻辑,指导读者为附录创建独立的定理环境家族,并优雅地处理定理、引理及证明的编号格式,确保文档的专业性与清晰度。

v5w6x的博客 499

Word里优雅排版LaTeX公式:Aurora插件安装配置全攻略(附常用宏包清单)

本文详细介绍了如何在Word文档中使用Aurora插件优雅排版LaTeX公式,包括安装配置、路径设置、常用宏包推荐及高阶应用技巧。Aurora插件结合了Word的易用性和LaTeX的专业排版效果,特别适合学术写作和协作场景。

weixin_33744141的博客 317

从零开始:用Latex在Word和PPT中高效编辑数学公式(2024最新版)

本文详细介绍了如何在Word和PPT中高效使用LaTeX语法编辑数学公式。针对2024年最新版Office软件,文章提供了从环境配置、核心语法到高级技巧的完整教程,帮助用户摆脱传统图形编辑器的低效操作,实现键盘快速输入,显著提升学术报告、技术文档和演示文稿的制作效率与专业性。

weixin_29248313的博客 339

PPT中高效插入LaTeX公式:方法、工具与实战技巧

LaTeX是一种专业的数学公式排版系统,其核心原理在于使用Computer Modern字体和智能间距算法,实现精准的数学符号布局。在PPT中集成LaTeX,可以显著提升公式的美观度和排版效率,尤其适用于学术汇报、教学课件和技术文档等场景。通过PPT原生支持、第三方插件(如IguanaTex)或外部编译插入等方式,用户可以在PPT中直接使用LaTeX语法,避免重复劳动。本文详细介绍了三种技术路线的选型、实操步骤、常见问题排查以及效率提升技巧,帮助读者快速掌握在PPT中插入LaTeX公式的方法。

weixin_26767391的博客 208

从Word迁移到LaTeX避坑指南:我踩过的公式编号、图片路径和参考文献引用这些‘雷’

本文详细解析了从Word迁移到LaTeX过程中常见的公式编号、图片路径和参考文献引用问题,提供实战解决方案。涵盖环境配置、公式编排、图片管理、参考文献优化等核心场景,帮助用户避开典型陷阱,提升排版效率与专业性。特别针对LaTeX初学者在学术写作中的痛点给出系统化指导。

weixin_30699915的博客 302

论文救急指南:5分钟搞定LaTeX算法伪代码排版(附Overleaf在线配置)

本文提供了一份LaTeX算法伪代码排版的紧急指南,帮助用户在5分钟内快速完成专业排版。通过Overleaf在线配置和实用模板,解决常见编译错误和格式要求,适用于IEEE、ACM等期刊会议。特别适合Deadline前的紧急情况,提升论文排版效率。

weixin_30279671的博客 273

linux下redhat6.8(理论是都适用)安装oracle12c---详细教程

1、配置yum源 1)、删除Redhat自带的yum: (2)、上传centos的yum包,并按照顺序安装,所需的rpm包通过点击这里获取(放在oracle文件中的centos yum):上传到linux中 进行安装 yum包链接:https://pan.baidu.com/s/1TxciCWEd7d-d4kGoea0L1w 提取码:eufp `` --注意后面两个安装包一起安装 ## 3)、更改系统yum源: 编辑rhel-source.repo文件,将其中的$releas

z931407229的博客 1149

python + QXDM5高通平台通过自动化截取log方法及代码

python + QXDM5高通平台通过自动化截取log方法及代码

dgzj2001的博客 1822

K2P padavan固件下宽带与IPTV融合

举例说下,假如你的IPTV是拨号的,IPTV端口直接连到笔记本电脑的网口,IP是自动分配的情况下,在VLC里面是可以直接播放“rtp://239.XXX.XXX.XXX:XXXX”的,即使IPTV是DHCP模式,按道理也是可以播放的。家里很少看电视,基本上就是看看春晚,然后平时老人在家没事看看,所以就把广电的机顶盒停掉了,换了一个N1的盒子刷了CoreELEC系统,既可以通过m3u8文件看网络电视,也可以看本地的多媒体,很方便,完全满足了自己的需求。在上图的第三步中,端口设置成大于1024的端口即可。

aplsc的专栏 63万+

DLMS-Blue-Book蓝皮书—曲线类

attribute_index 1 指的是第 1 个属性(即 logical_name),attribute_index 2 指的是第 2 个属性,等等;如果其他“曲线通用类”对象捕获了这个缓冲区,它们的缓冲区也将被清空,以保证它们的缓冲区条目是同质的。如果捕获对象是曲线通用类的缓冲区,则 data_index 标识缓冲区(即列)中的捕获对象(即内部曲线通用类中的列);如果曲线通用类已排序,则调用捕获方法将把新条目存储在缓冲区中的适当位置,移动所有后续条目,并可能丢失最不相关的条目。

一个bug是bug,多个bug能work 1455

用 ABAP RAP + XCO 把 Excel 导入业务对象:从弹窗 Action 到 EML 落库与附件清理的完整实践

摘要:本文介绍了在SAP RAP框架下实现Excel批量导入功能的完整方案。通过XCO库的XLSX模块解析Excel文件,结合RAP的行为定义和Fiori Elements界面集成,构建了一个支持试运行、数据校验和自动合并的业务导入功能。方案采用RAP标准范式,包括Action参数设计、EML事务处理、附件管理以及异常消息反馈,实现了从文件上传到数据落库的端到端流程,既保证了系统稳定性,又提升了业务用户体验。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 283

EXCEL VBA从入门到精通 第一章:VBA入门

在VBA中,需要使用关键字Dim来定义一个变量,后面跟上变量名和变量的数据类型。例如,下面的代码定义了一个整型变量x和一个字符串变量name在VBA中,使用关键字Const来定义常量,后面跟上常量名和常量的值。例如,下面的代码定义了一个整型常量MAX_NUM和一个字符串常量MESSAGE需要注意的是,常量一旦被定义,其值就不能被改变。

1万+

滤波算法实现大全——基于匀速直线运动模型的kalman滤波算法

滤波算法实现大全——基于匀速直线运动模型的kalman滤波算法

jane0819的博客 524

kaggle学习笔记-餐厅数据挖掘

分析Zomato数据集的基本思想是为了公平地了解影响在班加罗尔不同地方建立不同类型餐厅的因素,每个餐厅的总评级,班加罗尔是这样一个城市,拥有超过12,000家餐厅,餐厅供应来自世界各地的菜肴。每天都有新的餐馆开业,这个行业还没有饱和,需求也在与日俱增。然而,尽管需求不断增加,新餐馆却很难与老牌餐馆竞争。大多数餐厅都供应同样的食物。班加罗尔是印度的IT之都。这里的大多数人主要依靠餐馆的食物,因为他们没有时间自己做饭。由于对餐馆的需求如此巨大,因此研究一个地方的人口统计学就变得很重要。

优快云XXCQ的博客 1862

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

上一篇: Windows10蓝屏报错INACCESSIBLE_BOOT_DEVICE的全面诊断与修复指南
下一篇: 嵌入式实战指南:74LS192双向计数器的核心功能与典型应用解析
devops8pract
博客等级 码龄4年 533粉丝 849原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值