微积分

约 684 个字 预计阅读时间 2 分钟

[toc]

导数的定义

导数用于描述函数在**某一点**的变化率或斜率。对于一个单变量函数 \( f(x) \)，导数表示为： [ f'(x) = \lim_{\Delta x \to 0} \frac{f(x + \Delta x) - f(x)}{\Delta x} ] 这个表达式表示当 \( \Delta x \) 无限趋近于零时，函数值的变化率，即函数的瞬时变化速率。

导数可以理解为函数在某一点的切线斜率，用来表示函数的变化趋势。导数的值可以是正的、负的或零，分别对应函数的上升、下降或平稳状态。

导数的常见规则

• 常数的导数：\( f(x) = c \)，其中 \( c \) 是常数，则 \( f'(x) = 0 \)。
• 幂函数的导数：\( f(x) = x^n \)，则 \( f'(x) = nx^{n-1} \)。
• 和的导数：\( f(x) = g(x) + h(x) \)，则 \( f'(x) = g'(x) + h'(x) \)。
• 乘积的导数：\( f(x) = g(x) \cdot h(x) \)，则 \( f'(x) = g'(x) \cdot h(x) + g(x) \cdot h'(x) \)。
• 链式法则：如果 \( f(x) = g(h(x)) \)，则 \( f'(x) = g'(h(x)) \cdot h'(x) \)。

偏导数的定义

偏导数表示一个多元函数对**某个自变量**的变化率，其余自变量保持不变。假设有一个多元函数 \( f(x, y) \)，则偏导数表示为： [ \frac{\partial f}{\partial x} \quad \text{和} \quad \frac{\partial f}{\partial y} ] 分别表示在 \( y \) 固定时，\( f \) 随 \( x \) 的变化率，以及在 \( x \) 固定时，\( f \) 随 \( y \) 的变化率。

偏导数的例子

假设有一个函数： [ f(x, y) = x^2 + 3xy + y^2 ]

• 计算 \( f \) 对 \( x \) 的偏导数（保持 \( y \) 不变）： [ \frac{\partial f}{\partial x} = 2x + 3y ]

• 计算 \( f \) 对 \( y \) 的偏导数（保持 \( x \) 不变）： [ \frac{\partial f}{\partial y} = 3x + 2y ]

在这些计算中，我们分别只对 \( x \) 或 \( y \) 进行求导，将另一个变量看作常数。

梯度的定义

梯度是由**所有偏导数组成的一个向量**，用来表示多元函数在某一点处的变化方向和速率。对于一个多元函数 \( f(x, y) \)，梯度用符号 \( \nabla f \) 表示，定义为： [ \nabla f = \left( \frac{\partial f}{\partial x}, \frac{\partial f}{\partial y} \right) ] 梯度向量的方向是函数值增加最快的方向，梯度的大小（模）表示函数沿着该方向的变化速率。

小结

名词	概念
导数	描述单变量函数（即一个自变量的函数）的变化率
偏导数	描述多变量函数（即多个自变量的函数）的变化率, 函数在某一个方向上的变化率
梯度 Gradient	偏导数的集合, 梯度向量的方向是函数值增加最快的方向，梯度的大小（模）表示函数沿着该方向的变化速率

它们都是表示函数值对自变量的敏感程度