Thuthesis 模板中声明页页码样式的最佳实践
2025-06-10 21:10:20作者:毕习沙Eudora
声明页设计背景
在学术论文写作中,声明页(Statement Page)是一个重要的组成部分,通常包含作者关于论文原创性和知识产权的声明。Thuthesis 作为一款优秀的 LaTeX 论文模板,为声明页提供了灵活的样式配置选项,但在实际使用中,用户可能会遇到一些排版问题。
常见问题分析
许多用户在使用 Thuthesis 模板处理声明页时会遇到两个典型问题:
-
页眉重影问题:当使用
plain样式时,如果扫描件放置不正,会导致模板生成的页眉与扫描件上的页眉无法完全重合,产生重影效果。 -
页码同步问题:使用
empty样式时,虽然避免了页眉问题,但一旦论文正文篇幅修改导致页码变化,就需要重新打印、签字并扫描声明页,增加了不必要的工作量。
Thuthesis 的解决方案
Thuthesis 模板提供了三种声明页样式选项:
- auto:自动选择样式(默认选项)
- empty:无页眉页脚
- plain:包含页眉页脚
最佳实践建议
针对上述问题,我们推荐以下工作流程:
-
初始阶段:使用
empty样式生成声明页\statement[page-style=empty]这样可以获得一个干净的声明页,便于打印和签字。
-
最终阶段:扫描签字后的声明页并使用
plain样式插入\statement[file=scan-statement.pdf, page-style=plain]这样既保持了文档的整体风格统一,又避免了重影问题。
技术实现原理
Thuthesis 通过 fancyhdr 宏包控制页眉页脚样式。在底层实现上:
empty样式会清除所有页眉页脚元素plain样式会保留标准的页眉页脚设计auto样式会根据学位类型自动选择适当的样式
版本演进与改进
在 Thuthesis 的版本迭代中,声明页的处理逻辑经历了多次优化:
- 早期版本提供了
statement-page-number选项,但已被标记为弃用 - 新版本推荐直接使用
page-style参数来控制声明页样式 - 默认行为从
auto调整为更合理的预设值,减少用户困惑
实用技巧
- 研究生论文:建议先使用
empty样式生成声明页,签字扫描后再用plain样式插入 - 本科生论文:可以直接使用模板的默认设置,通常效果良好
- 特殊情况处理:如需自定义样式,可考虑扩展模板的页面样式定义
总结
Thuthesis 模板为声明页提供了灵活的配置选项,理解其工作原理并采用正确的工作流程,可以高效地解决声明页排版中的常见问题。通过合理使用 page-style 参数,用户可以在文档美观性和工作便捷性之间取得平衡。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 中兴e读zedx.zed文档阅读器V4.11轻量版:专业通信设备文档阅读解决方案 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
659
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146