PhD Thesis 项目启动与配置教程
2025-05-14 15:36:45作者:虞亚竹Luna
1. 项目目录结构及介绍
phd-thesis 项目目录结构如下:
phd-thesis/
├── abstract/
│ ├── abstract_en.tex
│ └── abstract_fr.tex
├── acknowledgments/
│ └── acknowledgments.tex
├── acronyms/
│ └── acronyms.tex
├── appendices/
│ ├── appendixA.tex
│ └── appendixB.tex
├── bibliography/
│ └── references.bib
├── chapters/
│ ├── chapter1.tex
│ ├── chapter2.tex
│ └── ...
├── config/
│ ├── biblatex.tex
│ ├── documentclass.tex
│ └── preamble.tex
├── frontmatter/
│ ├── dedication.tex
│ ├── preface.tex
│ └── titlepage.tex
├── images/
│ └── figure1.png
├── main.tex
├── pdfs/
│ └── additional_document.pdf
├── plots/
│ └── plot1.tex
└── thesis.cls
以下是各目录和文件的简要介绍:
abstract/:包含论文摘要的文件。acknowledgments/:包含论文致谢的文件。acronyms/:包含论文中使用的缩写的文件。appendices/:包含论文的附录文件。bibliography/:包含参考文献的.bib文件。chapters/:包含论文各个章节的.tex文件。config/:包含项目配置文件,如文档类、页眉页脚等设置。frontmatter/:包含论文前置部分,如扉页、前言等。images/:包含论文中使用的图片文件。pdfs/:包含需要附加的PDF文档。plots/:包含生成的图表的.tex文件。main.tex:主文档文件,用于整合整个论文。thesis.cls:自定义文档类文件,定义了论文的整体格式。
2. 项目的启动文件介绍
项目的启动文件是 main.tex。这个文件是整个论文的核心,它负责整合所有的章节和部分,并设置文档的基本格式。以下是 main.tex 文件的一个简单示例:
\documentclass{thesis}
\input{config/preamble}
\begin{document}
\input{frontmatter/titlepage}
\input{frontmatter/preface}
\input{frontmatter/acknowledgments}
\tableofcontents
\input{chapters/chapter1}
\input{chapters/chapter2}
% ... 其他章节
\printbibliography
\end{document}
在这个文件中,首先导入了自定义的文档类 thesis.cls,然后通过 input 命令引入了其他部分和章节的文件。
3. 项目的配置文件介绍
项目的配置文件位于 config/ 目录下,主要包括以下文件:
documentclass.tex:定义了文档类型和基本设置。preamble.tex:包含了文档的预设置,如导入宏包、设置页边距等。biblatex.tex:配置了参考文献管理工具 BibLaTeX 的设置。
以下是 preamble.tex 文件的一个简单示例:
\usepackage[utf8]{inputenc} % 设置编码
\usepackage[T1]{fontenc} % 设置字体编码
\usepackage[english]{babel} % 设置文档语言
\usepackage{graphicx} % 导入图形处理宏包
\usepackage{hyperref} % 导入超链接宏包
% ... 其他宏包和设置
在 preamble.tex 文件中,可以通过添加不同的宏包和设置来定制文档的格式和风格。这些配置文件在 main.tex 中通过 \input 命令被引入,以确保整个文档的一致性和正确性。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
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++
647
263
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
269
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
620
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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