试试LaTeX插入数学公式_latex语言中, 箭头上面有公式怎么输入-CSDN博客

本文链接：https://blog.csdn.net/baidu_38060633/article/details/79183905

title: 试试LaTeX插入数学公式
date: 2018-01-27 22:12:30
tags: LaTex

试试LaTeX插入数学公式

博客中要编辑数学公式，在网上找了各种方法，换了各种博客平台，发现大多都是粘图片贴链接的方式，十分繁琐，耗时费劲。在github上搭建个人博客后用Markdown就方便多了，以下记录LaTeX初学内容。

LaTeX编辑数学公式基本语法元素

LaTeX中的数学模式有两种形式:inline 和 display。前者是指在正文插入行间数学公式,后者独立排列,可以有或没有编号。

行间公式(inline):用 $...$ 将公式括起来。
块间公式(displayed)，用$$...$$将公式括起来是无编号的形式，还有\[...\]的无编号独立公式形式但Markdown好像不支持。块间元素默认是居中显示的。
各类希腊字母编辑表

常用的包括：\alpha, \beta,\omega分别为α,β,ω. 大写字母\Theta, \Gamma,\Omega为 $\Theta$ , $\Gamma$ , $\Omega$ .
上下标、根号、省略号
上标： ^ 如 $x^2$
下标： _ 如 $x_i$
下标如果多于一个字母或符号,需要用一对 {} 括起来。
根号： \sqrt 如 $\sqrt[n]{5}$ 为 $\sqrt[n]{5}$
省略号： \dots \cdots分别为 $\dots \cdots$
运算符
小的运算符(operator)例如 + - * /等可以直接输入，其他特殊的有\pm \times \div \cdot \cap \cup \geq \leq \neq \approx \equiv
$\pm \times \div \cdot \cap \cup \geq \leq \neq \approx \equiv$
求和：\sum_1^n: $\sum_1^n$
积分：\int_1^n: $\int_1^n$
极限：lim_{x \to \infty}: $lim_{x \to \infty}$
分数
分数的表示：\frac{}{}如 $\frac{3}{8}$
矩阵与行列式
$$\begin{matrix}…\end{matrix}$$，使用&分隔同行元素，\换行。如：

$$
    \begin{matrix}
    1 & x & x^2 \\
    1 & y & y^2 \\
    1 & z & z^2 \\
    \end{matrix}
$$

111 x y z x 2 y 2 z 2

$\begin{matrix} 1 & x & x^2 \\ 1 & y & y^2 \\ 1 & z & z^2 \\ \end{matrix}$
行列式

$$
X=\left|
    \begin{matrix}
        x_{11} & x_{12} & \cdots & x_{1d}\\
        x_{21} & x_{22} & \cdots & x_{2d}\\
        \vdots & \vdots & \ddots & \vdots\\
        x_{m1} & x_{m2} & \cdots & x_{md}\\
    \end{matrix}
\right|
$$

X = ∣ ∣ ∣ ∣ ∣ ∣ ∣ x 11 x 21 ⋮ x m 1 x 12 x 22 ⋮ x m 2 \dots \dots ⋱ \dots x 1 d x 2 d ⋮ x m d ∣ ∣ ∣ ∣ ∣ ∣ ∣

$X=\left| \begin{matrix} x_{11} & x_{12} & \cdots & x_{1d}\\ x_{21} & x_{22} & \cdots & x_{2d}\\ \vdots & \vdots & \ddots & \vdots\\ x_{m1} & x_{m2} & \cdots & x_{md}\\ \end{matrix} \right|$

分隔符
各种括号用 () [] { } \langle\rangle 等命令表示,注意花括号通常用来输入命令和环境的参数,所以在数学公式中它们前面要加 \。可以在上述分隔符前面加 \big \Big \bigg \Bigg 等命令来调整大小。
箭头
方程式

\begin{equation}
E=mc^2
\end{equation}

E = m c 2 (1)

$\begin{equation} E=mc^2 \end{equation}$

分段函数

$$
f(n) =
\begin{cases}
n/2,  & \text{if $n$ is even} \\
3n+1, & \text{if $n$ is odd}
\end{cases}
$$

f (n) = {n / 2, 3 n + 1, if n is even if n is odd

$f(n) = \begin{cases} n/2, & \text{if $n$ is even} \\ 3n+1, & \text{if $n$ is odd} \end{cases}$

方程组

$$
\left\{ 
\begin{array}{c}
    a_1x+b_1y+c_1z=d_1 \\ 
    a_2x+b_2y+c_2z=d_2 \\ 
    a_3x+b_3y+c_3z=d_3
\end{array}
\right. 
$$

⎧ ⎩ ⎨ ⎪ ⎪ a 1 x + b 1 y + c 1 z = d 1 a 2 x + b 2 y + c 2 z = d 2 a 3 x + b 3 y + c 3 z = d 3

$\left\{ \begin{array}{c} a_1x+b_1y+c_1z=d_1 \\ a_2x+b_2y+c_2z=d_2 \\ a_3x+b_3y+c_3z=d_3 \end{array} \right.$

常用公式

线性模型
$$h(\theta) = \sum_{j = 0} ^n \theta_j x_j$$

h (θ) = \sum j = 0 n θ j x j

$h(\theta) = \sum_{j = 0} ^n \theta_j x_j$

均方误差
$$J(\theta) = \frac{1}{2m}\sum_{i = 0} ^m(y^i - h_\theta (x^i))^2$$

J (θ) = 1 2 m \sum i = 0 m (y i - h θ (x i)) 2

$J(\theta) = \frac{1}{2m}\sum_{i = 0} ^m(y^i - h_\theta (x^i))^2$

批量梯度下降
$$\frac{\partial J(\theta)}{\partial\theta_j}=-\frac1m\sum_{i=0}^m(y^i-h_\theta(x^i))x^i_j $$

\partial J ( θ ) \partial θ j = - 1 m \sum i = 0 m (y i - h θ (x i)) x i j

$\frac{\partial J(\theta)}{\partial\theta_j}=-\frac1m\sum_{i=0}^m(y^i-h_\theta(x^i))x^i_j$

推导过程：

$$
\begin{align}
\frac{\partial J(\theta)}{\partial\theta_j}
& = -\frac1m\sum_{i=0}^m(y^i-h_\theta(x^i)) \frac{\partial}{\partial\theta_j}(y^i-h_\theta(x^i)) \\
& = -\frac1m\sum_{i=0}^m(y^i-h_\theta(x^i)) \frac{\partial}{\partial\theta_j}(\sum_{j=0}^n\theta_jx_j^i-y^i) \\
& = -\frac1m\sum_{i=0}^m(y^i-h_\theta(x^i))x^i_j
\end{align}
$$

\partial J ( θ ) \partial θ j = - 1 m \sum i = 0 m (y i - h θ (x i)) \partial \partial θ j (y i - h θ (x i)) = - 1 m \sum i = 0 m (y i - h θ (x i)) \partial \partial θ j (\sum j = 0 n θ j x i j - y i) = - 1 m \sum i = 0 m (y i - h θ (x i)) x i j (2) (3) (4)

$\begin{align} \frac{\partial J(\theta)}{\partial\theta_j} & = -\frac1m\sum_{i=0}^m(y^i-h_\theta(x^i)) \frac{\partial}{\partial\theta_j}(y^i-h_\theta(x^i)) \\ & = -\frac1m\sum_{i=0}^m(y^i-h_\theta(x^i)) \frac{\partial}{\partial\theta_j}(\sum_{j=0}^n\theta_jx_j^i-y^i) \\ & = -\frac1m\sum_{i=0}^m(y^i-h_\theta(x^i))x^i_j \end{align}$