latex在IEEE双栏中实现跨页长表格的简单方法

Latex表格排版大全 基于 IEEE双栏论文(设置单元格行列间距,自动换行设置) \renewcommand\arraystretch{1.5}%保证行距是原先的 \begin{table*} \caption{Summary of reviewed works for the classification of cervical cytology image. (Sensitivity (Sn), Specificity (Sp), Efficiency (Eff), Area of the ROC curve (AUC), Precision (P), Recall (R), Ge 阅读详情
AI摘要

本文介绍了一种在IEEE双栏文档中使用longtable的方法。通过使用clearpage和onecolumn命令,可以避免longtableisnotin1-columnmode错误,实现跨页的长表格布局。

网上百度了很多使用longtable,supertable的方法,但都很繁琐也不适用.
Longtable方法较为简单但只适用于单栏在IEEE双栏下会报告“longtable is not in 1-column mode”的错误。

利用 \clearpage方法完美解决问题:
\clearpage
\onecolumn
\begin{longtable}//声明单元格的长度格式也和正常表格一样
…此处可直接把正常table的内容复制过来。
\end{longtable}
\clearpage
\twocolumn

IEEE 会议论文 Latex模板 IEEE 会议论文 Latex模板一、软件安装(1)CTex(2)Acrobat_pdf二、模板下载及使用(1)IEEE会议论文模板链接(2)模板使用(3) WinEdt 软件a. 打开软件 WinEdtb.拖入模板c.设定 Latex 选项d.论文撰写e.正确的输出三、常见问题(1) latex排版(CTeX winEdit输出“系统找不到指定的文件”的终极解决办法)(2) LaTeX如何正确输... 阅读详情

相关推荐

LaTeX表格进阶排版指南:IEEE双栏论文中的单元格优化与自动换行技巧

本文针对IEEE双栏论文中表格排版难题,提供了LaTeX进阶解决方案。详细介绍了如何通过调整单元格行列间距、实现自动换行,并利用table*环境、array与booktabs等宏包,打造专业且符合规范的表格。内容涵盖手动编码与Excel插件辅助两种高效工作流,帮助研究者提升论文排版质量与可读性。

egg99的博客 684

latex longtable and supertabular 跨页表格

目录 1 Latex跨页表格 2LaTeX使用笔记:长表格longtable(附实例) 2.1. 一个简单实例 2.2. 重复表头、表尾 2.3. 适应页面宽度 2.3.1 改变字体大小 2.3.2 缩小列间的间距 2.3.3 调整表格边缘 2.3.4 多行显示 2.3.5 纵向显示 3How to solve longtable is not in 1-column m...

moonlightpeng的博客 1万+

Latex 书写 IEEE 会议论文

一 必备软件安装 二 Latex 撰写论文 1 下载 IEEE 论文模板 2 WinEdt使用 3 论文撰写 4 正确的输出 三 常见问题 1 latex排版CTeX winEdit输出系统找不到指定的文件的终极解决办法 2 LaTeX如何正确输入引号双引号单引号 3 如何将MathType公式转化为LaTeX 4 latex中让图片放在指定文字段落后 5 LaTeX之公式及编号 6 LaTe

Zephyr's Blog 1万+

latex中longtable双栏换页、表格和标题宽度设置

\setlength{\tabcolsep}{5.2mm}{ %set the table width \setlength{\LTcapwidth}{7in} %set the table caption width \begin{longtable*}{cccccccc} \caption{\label{tab:table1} $\gamma$-ray energies, excitation energies, relative $\gamma$-ray intensities, ADO ra.

weixin_41657064的博客 6880

LaTeX长表格排版救星:除了longtable,supertabular和xtab怎么选?附双栏模式下的实战配置

本文深入探讨了LaTeX在双栏模式下处理长表格的三大解决方案:longtable、supertabular和xtab。针对跨页表格排版的核心挑战,提供了详细的配置示例和性能优化技巧,帮助用户在学术写作中实现专业级的表格呈现。特别适合需要处理复杂数据表格的研究人员和期刊作者。

weixin_30873847的博客 408

LaTeX表格进阶排版指南:IEEE双栏论文中的多列对齐与自动换行优化

本文针对IEEE双栏论文中表格排版的核心难题,提供了详尽的进阶指南。重点解决了多列数据在有限栏宽下的精确对齐与宽度控制,并深入讲解了单元格内长文本的自动换行与断词优化技巧。通过介绍array、booktabs、tabularx等核心宏包的实战应用,帮助研究者产出既符合学术规范又清晰美观的专业表格。

weixin_28347369的博客 449

latex Longtable使用指南-字体调节,与table不同

latex Longtable使用指南-字体调节,与table不同

weixin_39490300的博客 7241

【latex】Latex表格宽度优化:利用\resizebox实现智能缩放与布局控制

本文详细介绍了如何在LaTeX中使用`\resizebox`命令实现表格宽度的智能缩放与布局控制。通过解析基本语法、参数设置及实战技巧,帮助用户解决表格超出页面边界的问题,特别适合学术论文和技术文档的排版需求。文章还涵盖了与minipage的配合使用、高级缩放控制及常见问题排查方法。

weixin_29243279的博客 314

Latex跨页长表格的排版问题:使用longtable的注意事项

longtable是在supertabular的基础上做改进的,所以现在更多人采用longtable来实现跨页长表格的排版。 我的论文是双栏排版,然后需要插入一个跨页长表,而这个长表的宽度是两栏的长度,因此我总结了以下四个注意事项。 使用longtable的注意事项: (1)使用\begin{longtable} ... \end{longtable}时,外面不能再套一层\begin{table} ... \end{table}。否则,longtable是不能实现跨页的。 (2)在\begin{lo

maths_girl的博客 2万+

来自工业界的知识库 RAG 服务(二),RagFlow 源码全流程深度解析

前面介绍过有道 QAnything 源码解析,通过深入了解工业界的知识库 RAG 服务,得到了不少调优 RAG 服务的新想法。因此本次趁热打铁,额外花费一点时间,深入研究了另一个火热的开源 RAG 服务RagFlow的完整实现流程,希望同样有所收获。首先依旧可以先从框架图入手,与常规的 RAG 架构进行一些比较可以看到右侧知识库被明显放大,同时最右侧详细介绍了文件解析的各种手段,比如OCR等,这些在常规的 RAG 中可能会作为一个不起眼的。

易迟的专栏 2万+

数据清洗(Data Cleansing)

数据清洗(Data Cleansing)是指对数据进行处理和纠错,以去除或修复数据集中存在的错误、不致、不完整和冗余的数据,从而使数据更加准确、可靠和有用。数据清洗是数据处理和数据分析中一个非常重要的步骤,它可以帮助我们提高数据的质量,从而提高数据分析和机器学习的准确性和可靠性。数据清洗是一个重要的过程,它可以帮助我们提高数据的质量,从而提高数据分析和机器学习的准确性和可靠性。在实际应用中,我们可以使用一些工具和技术来实现数据清洗,例如 Pandas、NumPy 和 OpenRefine 等。通过数据清洗,

meimei169500的博客 1万+

latex换页_备忘 | Latex 双栏模式下表格太长怎么办?

“Latex 双栏模式下表格太长怎么办?这一条够简单!”点击Latex 双栏模式下表格太长怎么办?作  者:marsggbo出  处:https://www.cnblogs.com/marsggbo科技文档排版时,有时表格可能一页都装不下,或者双栏模板单栏不够长,如果用原始的table包的话很可能就会溢出了,所以很自然的一个想法是让表格自动换页、竖排等,网上很多资料都是推荐longta...

weixin_39716044的博客 3668

blender中合并的模型,在threejs中显示多个mesh;blender多材质烘培成一个材质

5、优化项(省略此步骤,直接进行步骤6),进入到视图着色方式(此时没有灯光,整体偏暗,如果不调整灯光,烘培出来的材质也偏暗,因此此步骤为优化项,通畅建议调整)。在右边栏进入世界环境,调整颜色。7、烘焙成功之后,新建一个材质,将第三步创建的纹理图像作为材质的纹理,连接到基础色,并把模型的材质改为此材质,其他的材质全部删除。2、处理uv,在侧边栏选择数据-uv贴图,选中使用的uv,进入编辑模式,全选,键盘u,选择智能uv投射。3、处理材质,在侧边栏选择材质,进入着色,在着色器编辑器新建一个图像纹理,新建图像。

AllBluefm的专栏 2530

IEEE论文latex模板

原创 IEEE 会议论文 Latex模板 ...

weixin_43124720的博客 2576

卫星载荷应用方案

本文将从技术和应用层面探讨卫星载荷的应用方案,分析各个领域的特点和挑战,以期为卫星载荷的应用提供一定的指导和参考。卫星载荷应用方案涵盖了通信、地球观测、气象预报、导航定位等诸多领域在每一个领域中,都存在着不同的技术挑战和应用需求。随着技术的进步和需求的变化,卫星载荷应用方案将不断发展和完善,为人类社会的进步和发展做出更大的贡献。用户可以通过接收多颗卫星的信号,计算自身的位置和速度信息。在覆盖扩展方面,可以采用多星座、MEO、GEO 等不同轨道高度的卫星布局,结合卫星的特点和应用需求,实现覆盖范围的扩展。

muyangjun的专栏 906

CNN经典网络模型(二):AlexNet简介及代码实现(PyTorch超详细注释版)

CNN经典网络模型之一:AlexNet,本文包含其简介及代码,在PyTorch中实现,进行超详细注释,适合新生小白阅读学习~

qq_43307074的博客 2万+

Latex系列(三)---IEEE Tran模板介绍

本文来自于LATEX学习和IEEE Tran模板介绍

My_Communication的博客 9612

基于ThingsBoard+ESP8266的MQTT远程控制实战:从设备接入到仪表盘交互

本文详细介绍了基于开源物联网平台ThingsBoard与ESP8266开发板,通过MQTT协议实现远程控制的完整实战流程。从环境搭建、设备创建、仪表盘设计到核心代码编写与联调,手把手指导完成从云端到硬端的物联网闭环,为智能家居与物联网原型开发提供低成本、高效率的解决方案。

weixin_29192365的博客 334

Latex(2):LaTex图片、公式、数学符号、伪代码、参考文献引用学习记录

LaTex图片、公式、数学符号、伪代码、参考文献引用学习记录

biter0088的博客 1万+

简单易懂的AXI_Lite 总线详解

简单易懂的AXI_Lite 总线详解 1、前言 AXI_LITE协议主要应用于Xilinx的ZYNQ芯片构架下的ARM和FPGA之间的数据读写,更偏向于单个寄存器的读写。 2、AXI总线与ZYNQ的关系 AXI(Advanced eXtensible Interface)本是由ARM公司提出的一种总线协议,Xilinx从6系列的FPGA开始对AXI总线提供支持,此时AXI已经发展到了AXI4这个版本,所以当你用到Xilinx的软件的时候看到的都是“AIX4”的IP,如Vivado打包一个AXI IP的时候,

m0_46642108的博客 8499

OmniBox2.0.X版本 一站式影视订阅与多端播放平台文档

OmniBox 是一站式影视订阅与多端播放平台:你可以用 JS 或 Python 按 OmniBox 规范自建爬虫源,在后台把多个爬虫源自由组合成订阅,然后在网页、手机、电视等全平台的客户端里使用。只要客户端支持 TVBox、猫源、UZ、Emby 等协议,即可无缝对接。同时支持电视直播源、六大平台直播间和网盘源视频在线观看,通过 Docker 一键部署。

欢迎来到鸾姝淡月博客,专为程序员和编程爱好者打造的技术博客。我们分享编程语言趋势、开发工具、编程哲学、职业发展等,助你掌握新技术,优化技能,激发编程热情。 1933

Latex 常见问题小结(跨栏 图,表,公式)参考文献

问题1:latex中跨双栏长公式的置顶/置底问题 \usepackage{stfloats} 长公式的开始和结束加上\begin{figure*}和\end{figure*}。置顶:\begin{figure*}[ht];置底:\begin{figure*}[hb]。 把长公式代码放置于它应该出现那页的前面一页。 Step 3 会导致公式序号打乱,然后在三个地方要设置一哈。...

weixin_30471065的博客 963

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

DeepSeek-OCR-2惊艳效果:中英文混排+数学公式+跨页表格完整Markdown输出

本文介绍了如何在星图GPU平台上自动化部署📄 DeepSeek-OCR-2 智能文档解析工具镜像,高效实现高精度文档结构化提取。该镜像可精准还原中英文混排、数学公式及跨页表格,并直接输出标准Markdown文件,典型应用于科研论文数字化、财报解析与多语言技术文档处理。

weixin_34779181的博客 374

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

双栏论文排版指南:跨栏大图与长公式的处理技巧

在学术论文写作中,双栏排版是IEEE、Elsevier等期刊的常见格式,但其窄栏宽常让大尺寸图片和长数学公式面临“宽度危机”。图片被压缩后字迹模糊,公式超出栏宽则产生溢出警告,严重影响稿件的专业性与可读性。理解LaTeX与Word的不同排版机制是关键:LaTeX依靠figure*浮动体环境或cuted宏包的strip环境实现跨栏,而Word则需要通过分节符改变节的栏数。本文从基础概念出发,解析跨栏对象的放置原理、间距控制与编号联动,并对比图片缩放、公式拆行与跨栏方案的适用边界,帮助科研人员与排版新手快速应对

weixin_33868027的博客 393

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")

上一篇: Smart contract security Papers---智能合约安全论文
下一篇: Latex中文模板以及全局字体大小设置
JocelyHigher
博客等级 码龄10年 50粉丝 12原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 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