英文版本：[[Geometric Interpretation of Partial Derivatives]] 在多元微积分中，我们研究的不仅是函数的数值，更是函数在空间中如何“变动”。 --- ## 核心动作：冻结与切割 假设有一个曲面 $z = f(x, y)$。偏导数 $\frac{\partial f}{\partial x}$ 实际上在问：**如果我固定 $y$ 不动，只沿着 $x$ 方向走，高度 $z$ 的变化有多快？** 这个动作可以拆解为两步： 1. **冻结变量**：这相当于用一个垂直平面“切开”曲面，把复杂的曲面降维成一条曲线 $C$。 2. **求导**：对这条切出来的曲线进行普通的一元微积分求导。 ### 三种理解视角： * **菜刀切割论**：拿一把垂直的刀，在 $y = y_0$ 的位置切下去。断面在 $xz$ 平面上就是一条曲线，而 $\frac{\partial f}{\partial x}$ 就是这条曲线在某一点的斜率。 * **斜行蚂蚁论**：一只蚂蚁在曲面上爬，它固执地只沿着 $x$ 轴平行移动，绝不偏向 $y$。偏导数告诉它，每走一步，海拔会上升多少。 * **控制变量论**：把 $x$ 和 $y$ 看作两个独立的旋钮。锁死一个旋钮，拨动另一个，测量输出的敏感度。偏导数就是“当其他条件不变”时，输出对单一输入的敏感度。 **方向决定结果**：在 $y = y_0$ 处切割得到 $\frac{\partial f}{\partial x}$；在 $x = x_0$ 处切割则得到 $\frac{\partial f}{\partial y}$。每一个偏导数都只测量沿特定轴线的斜率。 --- ## 符号背后的细节 $\frac{\partial f}{\partial x}$ 看起来似乎只跟 $z$ 和 $x$ 有关，但其实不然。**求导的结果依然是一个关于所有输入变量的函数。** 以 $f(x, y) = x^2 y$ 为例： $\frac{\partial f}{\partial x} = 2xy$ 在这个结果里，$x$ 和 $y$ 都还在。虽然我们在求导时把 $y$ 当作常数“冻结”了，但这并不代表 $y$ 消失了。它就像常数系数一样被保留了下来，就像 $\frac{d}{dx}(3x^2) = 6x$ 里的那个 3 一样。 从几何上看这很合理：切片的斜率取决于你在**哪里**下刀。在 $y=1$ 处切出的曲线和在 $y=5$ 处切出的显然不同。所以，偏导数必须“记得”你当前所处的 $y$ 坐标。 > **更严谨的写法**：显式的写法应该是 $\frac{\partial f}{\partial x}\bigg|_{(x,y)}$，这能清楚地提醒我们，导数的值依赖于完整的坐标点。 --- ## 梯度：重新组装 偏导数把方向拆开了，而梯度 $\nabla f$ 则把它们重新组合在一起： $\nabla f = \left(\frac{\partial f}{\partial x},\ \frac{\partial f}{\partial y}\right)$ **注意**：梯度存在于“输入空间”而不是“输出空间”。对于一个双输入函数，梯度是一个二维向量。高度 $z$ 不会出现在梯度向量里，因为 $z$ 是被动响应的结果，而不是驱动变化的源头。 这个规则可以机械地推广到高维： | 函数 | 输入数量 | 梯度维度 | | :--- | :--- | :--- | | $f(x, y)$ | 2 | $\nabla f \in \mathbb{R}^2$ | | $f(x, y, z)$ | 3 | $\nabla f \in \mathbb{R}^3$ | | $f(x_1, \dots, x_n)$ | $n$ | $\nabla f \in \mathbb{R}^n$ | --- ## 从斜率到平面：切平面 在一点 $P = (x_0, y_0, z_0)$ 上，我们有两个斜率（沿 $x$ 和沿 $y$）。这两个斜率共同锁定了一个**切平面**——一张紧贴在曲面 $P$ 点处的薄片： $z \approx f(x_0, y_0) + \frac{\partial f}{\partial x}\bigg|_P (x - x_0) + \frac{\partial f}{\partial y}\bigg|_P (y - y_0)$ 这是 $f$ 在 $P$ 点附近最好的**线性近似**。 ### 支撑平面的切向量 切平面方程告诉了我们平面的位置，但它由哪些方向构成呢？ 在 $y = y_0$ 的切片上，曲线可以表示为 $(x, y_0, f(x, y_0))$。对 $x$ 求导得到： $\mathbf{t}_x = \left(1,\ 0,\ \frac{\partial f}{\partial x}\bigg|_P\right)$ 这意味着：向 $x$ 走 1 单位，向 $y$ 走 0 单位，高度 $z$ 变化 $\frac{\partial f}{\partial x}$。同理，沿 $y$ 方向有： $\mathbf{t}_y = \left(0,\ 1,\ \frac{\partial f}{\partial y}\bigg|_P\right)$ 这两个向量 $\mathbf{t}_x$ 和 $\mathbf{t}_y$ 就像两根支架，撑起了整个切平面。 ### 法向量 有了支撑平面的两个向量，做叉乘就能得到垂直于平面的**法向量**： $\mathbf{t}_x \times \mathbf{t}_y = (-f_x,\ -f_y,\ 1)$ （其中 $f_x, f_y$ 是 $P$ 点的偏导数）。 **梯度的再次现身**：这个法向量的前两个分量正好是 $-\nabla f$。切平面的法向量在 $xy$ 平面上的“投影”就是梯度的负方向。 法向量偏离垂直方向的角度，正对应着曲面上升最快的方向。曲面越陡，法向量歪得越厉害，它在地面上的影子（梯度）也就越长。 --- ## 梯度的几何意义 梯度 $\nabla f$ 不仅仅是一个记录数据的向量，它是切平面倾斜最厉害的方向。在输入空间里： 1. $\nabla f$ 指向**最陡坡**（上升最快）的方向。 2. $|\nabla f|$（模长）就是这个最陡坡的**斜率**。 3. $-\nabla f$ 指向**最快下降**的方向。 --- ## 方向导数：任意方向的斜率 如果蚂蚁不按轴线走，而是斜着走 45° 呢？**方向导数**回答了这个问题。沿单位向量 $\mathbf{u}$ 的斜率为： $D_{\mathbf{u}} f = \nabla f \cdot \mathbf{u}$ 梯度就像一把万能钥匙：只要做一个点积，就能算出任何方向的斜率。 --- ## 与线性代数中“基变换”的联系 方向导数并不是什么新发明，它本质上是梯度的**基变换**。 偏导数 $\frac{\partial f}{\partial x}$ 和 $\frac{\partial f}{\partial y}$ 只是梯度在标准基 $\{(1,0), (0,1)\}$ 下的分量。 如果你旋转坐标系，得到一组新的标准正交基 $\{\mathbf{u}_1, \mathbf{u}_2\}$。梯度作为一个几何箭头并不会改变，但它在新基下的坐标变成了： $(\nabla f \cdot \mathbf{u}_1,\ \nabla f \cdot \mathbf{u}_2)$ 这正是沿新轴线方向的方向导数。 > **统一原理**：向量是独立于坐标系的，只有分量才取决于你选哪条轴。梯度是一个客观存在的几何对象；偏导数是你观察它在标准轴上的投影；方向导数则是你观察它在任意方向上的投影。 --- ## 知识链路总结 **切割** $\to$ **孤立斜率** $\to$ **参数化切向量** $\to$ **撑起切平面** $\to$ **叉乘得法向量** $\to$ **投影得梯度** $\to$ **推广至方向导数** $\to$ **理解为基变换** 每一环都在重新组装前一环拆解的内容。最后我们会发现，方向导数其实就是线性代数里的投影操作，只不过对象换成了梯度。