Как сделать верхнее и нижнее пространство одинаковым с помощью матрицы

Question

Я пробовал с:

\documentclass{article}
\usepackage{amsmath}%amssymb,
\usepackage{bm}
\begin{document}

Outputs to machine learning models are also often represented as vectors. For instance, consider an object recognition model that takes an image as input and emits a set of numbers indicating the probabilities that the image contains a  dog, human, or cat, respectively.  The output of such a model is a three element vector $\vec{y} = \begin{bmatrix}y_{0}\\y_{1}\\y_{2}\\\dfrac{1}{2}\end{bmatrix}$, where the number $y_{0}$ denotes the probability that the image contains a dog, $y_{1}$ denotes the~probability that the image contains a human, and $y_{2}$ denotes the probability that the image contains a cat. Figure~\ref{fig:vec_out} shows some possible input images and corresponding output vectors.
\begin{align*}
p\left( x \right)
&= \overbrace{ \pi_{1}}^{0.33}\mathcal{N}\left( \vec{x}; \, \overbrace{ \vec{\mu}_{1} }^{\begin{bmatrix}
152\\55
\end{bmatrix}} \overbrace{ \bm{\Sigma}_{1}}^{ \begin{bmatrix}
20 &0\\0 &28
\end{bmatrix} } \right)
+ \overbrace{ \pi_{2} }^{0.33} \mathcal{N}\left(\vec{x}; \, \overbrace{ \vec{\mu}_{2}  }^{  \begin{bmatrix}
175\\70
\end{bmatrix}  }, \overbrace{ \bm{\Sigma}_{2}}^{ \begin{bmatrix}
35 & 39\\39 & 51
\end{bmatrix} } \right)\\
&+ \overbrace{ \pi_{3} }^{0.33} \mathcal{N}\left(\vec{x}; \, \overbrace{ \vec{\mu}_{3} }^{  \begin{bmatrix}
135\\40
\end{bmatrix} }, \overbrace{ \bm{\Sigma}_{3}}^{ \begin{bmatrix}
10 & 0\\0 & 10
\end{bmatrix} } \right)
\end{align*}

\end{document}

Вывод производится как:

Как сделать одинаковое пространство вверху и внизу матрицы? Пожалуйста, посоветуйте

Кроме того, было бы полезнее, если бы кто-нибудь объяснил, почему это произошло.

Answer 1

Я не уверен, что это то, что вам нужно, но вы можете приложить содержимое каждой части к \vcenter{\hbox{$ ... $}}.

\documentclass{article}
\usepackage{amsmath}%amssymb,
\usepackage{bm}
\begin{document}

\begin{align*}
p\left( x \right)
&= \overbrace{ \pi_{1}}^{0.33}\mathcal{N}\left(\vcenter{\hbox{$ \vec{x}; \, \overbrace{ \vec{\mu}_{1} }^{\begin{bmatrix}
152\\55
\end{bmatrix}} \overbrace{ \bm{\Sigma}_{1}}^{ \begin{bmatrix}
20 &0\\0 &28
\end{bmatrix} } $}}\right)
+ \overbrace{ \pi_{2} }^{0.33} \mathcal{N}\left(\vcenter{\hbox{$ \vec{x}; \, \overbrace{ \vec{\mu}_{2}  }^{  \begin{bmatrix}
175\\70
\end{bmatrix}  }, \overbrace{ \bm{\Sigma}_{2}}^{ \begin{bmatrix}
35 & 39\\39 & 51
\end{bmatrix} } $}}\right)\\
&+ \overbrace{ \pi_{3} }^{0.33} \mathcal{N}\left(\vcenter{\hbox{$ \vec{x}; \, \overbrace{ \vec{\mu}_{3} }^{  \begin{bmatrix}
135\\40
\end{bmatrix} }, \overbrace{ \bm{\Sigma}_{3}}^{ \begin{bmatrix}
10 & 0\\0 & 10
\end{bmatrix} } $}}\right)
\end{align*}

\end{document}

Answer 2

Вы получили хороший ответ, но я настоятельно рекомендую обойтись без него \overbrace:

\documentclass{article}
\usepackage{amsmath}
\usepackage{bm}

\begin{document}

Outputs to machine learning models are also often represented as vectors. 
For instance, consider an object recognition model that takes an image as 
input and emits a set of numbers indicating the probabilities that the 
image contains a  dog, human, or cat, respectively.  The output of such 
a model is a three element vector
$\vec{y} = [\begin{matrix}y_{0} & y_{1} & y_{2} & \frac{1}{2}\end{matrix}]^T$, 
where the number $y_{0}$ denotes the probability that the image contains a dog, 
$y_{1}$ denotes the~probability that the image contains a human, and $y_{2}$ 
denotes the probability that the image contains a cat. Figure~\ref{fig:vec_out} 
shows some possible input images and corresponding output vectors.
\begin{gather*}
p(x) = \pi_{1} \mathcal{N} ( \vec{x}; \, \vec{\mu}_{1}, \bm{\Sigma}_{1})
     + \pi_{2} \mathcal{N} ( \vec{x}; \, \vec{\mu}_{2}, \bm{\Sigma}_{2})
     + \pi_{3} \mathcal{N} ( \vec{x}; \, \vec{\mu}_{3}, \bm{\Sigma}_{3})
\\[1ex]
\begin{aligned}
\pi_1&=0.33 & \pi_2&=0.33 & \pi_3&=0.33
\\
\vec{\mu}_{1}&=\begin{bmatrix} 152 \\ 55 \end{bmatrix}, &
\vec{\mu}_{2}&=\begin{bmatrix} 175 \\ 70 \end{bmatrix}, &
\vec{\mu}_{3}&=\begin{bmatrix} 135 \\ 40 \end{bmatrix}
\\
\bm{\Sigma}_{1}&=\begin{bmatrix} 20 &  0 \\  0 & 28 \end{bmatrix}, &
\bm{\Sigma}_{2}&=\begin{bmatrix} 35 & 39 \\ 39 & 51 \end{bmatrix}, &
\bm{\Sigma}_{3}&=\begin{bmatrix} 10 &  0 \\  0 & 10 \end{bmatrix}
\end{aligned}
\end{gather*}

\end{document}

Обратите внимание на вектор-столбец, записанный как транспонированный вектор-строка, что позволяет избежать пробелов между строками.

С альтернативным выравниванием

\documentclass{article}
\usepackage{amsmath}
\usepackage{bm}

\begin{document}

Outputs to machine learning models are also often represented as vectors. 
For instance, consider an object recognition model that takes an image as 
input and emits a set of numbers indicating the probabilities that the 
image contains a  dog, human, or cat, respectively.  The output of such 
a model is a three element vector
$\vec{y} = [\begin{matrix}y_{0} & y_{1} & y_{2} & \frac{1}{2}\end{matrix}]^T$, 
where the number $y_{0}$ denotes the probability that the image contains a dog, 
$y_{1}$ denotes the~probability that the image contains a human, and $y_{2}$ 
denotes the probability that the image contains a cat. Figure~\ref{fig:vec_out} 
shows some possible input images and corresponding output vectors.
\begin{alignat*}{3}
p(x) = \pi_{1} &\mathcal{N} ( \vec{x}; \, \vec{\mu}_{1}, \bm{\Sigma}_{1})
     &{}+ \pi_{2} &\mathcal{N} ( \vec{x}; \, \vec{\mu}_{2}, \bm{\Sigma}_{2})
     &{}+ \pi_{3} &\mathcal{N} ( \vec{x}; \, \vec{\mu}_{3}, \bm{\Sigma}_{3})
\\[1ex]
\pi_1&=0.33 & \pi_2&=0.33 & \pi_3&=0.33
\\
\vec{\mu}_{1}&=\begin{bmatrix} 152 \\ 55 \end{bmatrix}, &
\vec{\mu}_{2}&=\begin{bmatrix} 175 \\ 70 \end{bmatrix}, &
\vec{\mu}_{3}&=\begin{bmatrix} 135 \\ 40 \end{bmatrix}
\\
\bm{\Sigma}_{1}&=\begin{bmatrix} 20 &  0 \\  0 & 28 \end{bmatrix}, &
\bm{\Sigma}_{2}&=\begin{bmatrix} 35 & 39 \\ 39 & 51 \end{bmatrix}, &
\bm{\Sigma}_{3}&=\begin{bmatrix} 10 &  0 \\  0 & 10 \end{bmatrix}
\end{alignat*}

\end{document}

Для полноты картины вот как можно выполнить предложенную задачу. Я оставил большой встроенный вектор-столбец, чтобы показать, почему это действительно плохо.

Сравнивая результаты, у меня нет никаких сомнений.

\documentclass{article}
\usepackage{amsmath}
\usepackage{bm}
\usepackage{delarray}

\begin{document}

Outputs to machine learning models are also often represented as vectors. 
For instance, consider an object recognition model that takes an image as 
input and emits a set of numbers indicating the probabilities that the 
image contains a  dog, human, or cat, respectively.  The output of such 
a model is a three element vector
$\vec{y} = \begin{bmatrix}y_{0} \\ y_{1} \\ y_{2} \\ \dfrac{1}{2}\end{bmatrix}$, 
where the number $y_{0}$ denotes the probability that the image contains a dog, 
$y_{1}$ denotes the~probability that the image contains a human, and $y_{2}$ 
denotes the probability that the image contains a cat. Figure~\ref{fig:vec_out} 
shows some possible input images and corresponding output vectors.
\begin{equation*}
\begin{aligned}
p(x)
&= \overbrace{ \pi_{1}}^{0.33}\mathcal{N}
\begin{array}[b]({c})
\vec{x}; \, \overbrace{ \vec{\mu}_{1} }^{\begin{bmatrix}
152\\55
\end{bmatrix}} \overbrace{ \bm{\Sigma}_{1}}^{ \begin{bmatrix}
20 &0\\0 &28
\end{bmatrix} }
\end{array}
+ \overbrace{ \pi_{2} }^{0.33} \mathcal{N}
\begin{array}[b]({c})
\vec{x}; \, \overbrace{ \vec{\mu}_{2}  }^{  \begin{bmatrix}
175\\70
\end{bmatrix}  }, \overbrace{ \bm{\Sigma}_{2}}^{ \begin{bmatrix}
35 & 39\\39 & 51
\end{bmatrix} }
\end{array}\\
&+ \overbrace{ \pi_{3} }^{0.33} \mathcal{N}
\begin{array}[b]({c})\vec{x}; \, \overbrace{ \vec{\mu}_{3} }^{  \begin{bmatrix}
135\\40
\end{bmatrix} }, \overbrace{ \bm{\Sigma}_{3}}^{ \begin{bmatrix}
10 & 0\\0 & 10
\end{bmatrix} }
\end{array}
\end{aligned}
\end{equation*}

\end{document}

Answer 3

Достаточно заменить три экземпляра на \left( ... \right). \bigl( ... \bigr)Обратите внимание, что поскольку вторые аргументы более крупных \overbraceконструкций являются пояснительными, а не определяющими, их не нужно заключать в (теперь уже не очень высокие) скобки.

О, и если вы не хотите привлекать слишком много внимания к определению \vec{y}в абзаце, предшествующем align*среде, я бы записал его как вектор-строку, а не как вектор-столбец.

\documentclass{article}
\usepackage{amsmath,amssymb,bm}
\begin{document}

Outputs to machine learning models are also often represented as vectors. For instance, consider an object recognition model that takes an image as input and emits a set of numbers indicating the probabilities that the image contains a  dog, human, or cat, respectively.  The output of such a model is a three element vector
$\vec{y} = \begin{bmatrix} y_{0} & y_{1} & y_{2} \end{bmatrix}'$, 
where the number $y_{0}$ denotes the probability that the image contains a dog, $y_{1}$ denotes the~probability that the image contains a human, and $y_{2}$ denotes the probability that the image contains a cat. Figure~\ref{fig:vec_out} shows some possible input images and corresponding output vectors.
\begin{align*}
p(x)
&=\overbrace{ \pi_{1}\mathstrut}^{0.33}\mathcal{N}
  \bigl( \vec{x};  
  \overbrace{ \vec{\mu}_{1} }^{
      \begin{bmatrix} 152\\55 \end{bmatrix}} ,
  \overbrace{ \bm{\Sigma}_{1}}^{ 
      \begin{bmatrix} 20 &0\\0 &28 \end{bmatrix} } 
  \bigr)
 +\overbrace{ \pi_{2}\mathstrut}^{0.33} \mathcal{N}
  \bigl(\vec{x};  
  \overbrace{ \vec{\mu}_{2}  }^{  
      \begin{bmatrix} 175\\70 \end{bmatrix}  }, 
  \overbrace{ \bm{\Sigma}_{2}}^{ 
      \begin{bmatrix} 35 & 39\\39 & 51 \end{bmatrix} } 
  \bigr) 
  \\[2\jot] % insert a bit more vertical whitespace
&\quad+\overbrace{ \pi_{3}\mathstrut}^{0.33} \mathcal{N}
 \bigl(\vec{x};  
 \overbrace{ \vec{\mu}_{3} }^{  
     \begin{bmatrix} 135\\40 \end{bmatrix} }, 
 \overbrace{ \bm{\Sigma}_{3}}^{ 
     \begin{bmatrix} 10 & 0\\0 & 10 \end{bmatrix} } 
 \bigr)
\end{align*}

\end{document}