第 2 章：让论文更专业¶

\begin{table}[htbp]
    \centering
    \caption{三种算法的性能对比}
    \label{tab:performance}
    \begin{tabular}{|l|c|c|r|}
        \hline
        算法 & 准确率 & 召回率 & 推理时间(ms) \\
        \hline
        Baseline & 92.1\% & 89.3\% & 45 \\
        方法 A & 94.5\% & 91.2\% & 52 \\
        方法 B & \textbf{96.8\%} & \textbf{94.1\%} & 48 \\
        \hline
    \end{tabular}
\end{table}

% 导言区需要引入 graphicx 宏包
\usepackage{graphicx}

\begin{figure}[htbp]
    \centering
    \includegraphics[width=0.6\textwidth]{model-architecture.pdf}
    \caption{模型架构示意图}
    \label{fig:architecture}
\end{figure}

均方误差定义为 $MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$，
它是回归任务中最常用的损失函数。

% 不带编号
\[
    \int_{0}^{\infty} e^{-x^2} dx = \frac{\sqrt{\pi}}{2}
\]

% 带编号（可交叉引用）
\begin{equation}
    \mathcal{L} = -\frac{1}{N}\sum_{i=1}^{N}\sum_{c=1}^{C}
    y_{ic}\log(\hat{y}_{ic})
    \label{eq:cross-entropy}
\end{equation}

% 希腊字母
$\alpha, \beta, \gamma, \delta, \epsilon, \theta, \lambda, \mu, \pi, \sigma, \phi, \omega$

% 上下标
$x^2, x^{10}, x_i, x_{ij}$

% 分数
$\frac{a}{b}, \frac{1}{1 + \frac{1}{x}}$

% 根号
$\sqrt{x}, \sqrt[3]{x}$

% 求和、求积、积分
$\sum_{i=1}^{n} x_i, \prod_{i=1}^{n} x_i, \int_{a}^{b} f(x) dx$

% 矩阵
\[
\begin{pmatrix}
    a & b \\
    c & d
\end{pmatrix}
\]

% 分段函数
\[
f(x) = \begin{cases}
    x^2, & x \geq 0 \\
    -x,  & x < 0
\end{cases}
\]

\documentclass{article}
\usepackage[UTF8]{ctex}
\usepackage{amsmath,amssymb}
\usepackage{graphicx}
\usepackage{geometry}
\geometry{margin=2.5cm}

\title{基于深度学习的图像分类方法对比研究}
\author{张三 \\ 计算机科学系}
\date{2026 年 5 月}

\begin{document}
\maketitle

\section{引言}
图像分类是计算机视觉的基础任务。本文对比了三种主流方法
在 CIFAR-10 数据集上的表现。

\section{方法}
\subsection{卷积神经网络（CNN）}
CNN 通过卷积层提取图像的局部特征。卷积运算定义为：
\begin{equation}
    (f * g)(t) = \int_{-\infty}^{\infty} f(\tau)g(t-\tau)d\tau
    \label{eq:conv}
\end{equation}

\subsection{模型架构}
\begin{figure}[htbp]
    \centering
    \includegraphics[width=0.8\textwidth]{architecture.pdf}
    \caption{本文使用的 CNN 模型架构}
    \label{fig:arch}
\end{figure}

\section{实验结果}
实验结果如表 \ref{tab:results} 所示。

\begin{table}[htbp]
    \centering
    \caption{不同模型的分类准确率对比}
    \label{tab:results}
    \begin{tabular}{lcc}
        \hline
        模型 & Top-1 准确率 & Top-5 准确率 \\
        \hline
        VGG-16 & 92.1\% & 99.1\% \\
        ResNet-18 & 93.5\% & 99.3\% \\
        本文方法 & \textbf{95.3\%} & \textbf{99.6\%} \\
        \hline
    \end{tabular}
\end{table}

\section{结论}
本文提出的改进 CNN 模型在 CIFAR-10 上取得了 95.3\% 的准确率，
优于基线模型。未来工作将探索更大规模数据集上的表现。

\end{document}