写点什么

导数、微分、偏导数、全微分、方向导数、梯度的定义与关系

作者:矛始
  • 2022 年 7 月 26 日
  • 本文字数:2982 字

    阅读完需:约 10 分钟

学习到机器学习线性回归和逻辑回归时遇到了梯度下降算法,然后顺着扯出了一堆高数的相关概念理论:导数、偏导数、全微分、方向导数、梯度,重新回顾它们之间的一些关系,从网上和教材中摘录相关知识点。


  1. 通过函数的极限定义出导数(以一元函数为例)

  2. 函数 f(x)在点 x0 可微的充分必要条件是函数 f(x)在点 x0 处可导

  3. 扩展到多元函数时,衍生出偏导数

导数

定义:设函数在点的某个领域内有定义,如果在当->0 时极限存在,则称函数处可导,这个极限是函数处的导数



根据导数的定义,从某种意义上说导数的本质是一种极限


导数与导函数的关系是局部与整体的关系,导数通常是指一点,导函数则是指一个区间上的


  • 在直线运动场景中,若 x 表示时刻,y 表示距离,函数 f 表示时间与距离的关系,那么导数的含义就是在时刻的瞬时速度

  • 在直角坐标系中,表示一个曲线,导数的含义表示的是曲线在点处的切线的斜率

微分

定义:设函数在某个领域内有定义,在这区间内,如果增量



可表示为



其中 A 是不依赖的常数,是指趋于 0 时的高阶无穷小,那么称函数在点可微的,而叫做函数在点相应于自变量增量微分,记作,记作



高阶无穷小的定义:如果,就说是比高阶的无穷小,记作

微分与导数的关系

上式两边同时除以得到



时,上式左边就是导数的定义,而右边的因为是高阶无穷小,所以会趋向于 0,得到以下等式:



因此,如果函数在点可微,则在点也一定可导,且,反之,如果在点可导,存在下式



根据极限与无穷小的关系转化上式,当



其中,即,,上式转化为下式(又回到了微分的定义)



因此,函数在点可微的充分必要条件是函数在点可导 $$

偏导数

一元函数的变化率是导数,多元函数的自变量有多个,当某个自变量 x 变化而其它自变量固定时,这时候对变化的自变量 x 进行求导,就称为多元函数对于 x 的偏导数。定义:设函数在点的某一领域内有定义,当固定于,而处有增量,相应的函数有增量



如果



存在,则称该极限为在点处对的偏导数


偏导数的几何意义



  • 偏导数就是曲面被平面所截得的曲线在点处的切线轴的斜率

  • 偏导数就是曲面被平面所截得的曲线在点处的切线轴的斜率


很多时候要考虑多元函数沿任意方向的变化率,那么就引出了方向导数

全微分

参考上文微分的定义,与一元函数的情形一样,希望用自变量增量来线性函数来代替函数的全增量,从而减化计算定义:设函数在点的某领域内有定义如果函数在点的全增量



可心表示为



其中不依赖于,则称函数在点可微分,而称为函数在点全微分$$

可微分与偏导数关系

基于上述全微分定义成立,存在某一点对于式子也成立,当



两边除以并且令取极限



这式子就是偏导数的定义形式啊,所以这说明了偏导数存在且等于,同理也可证,由此推导出以下公式



各偏导数的存在只是全微分存在的必要条件而非充分条件,即由全微分可证各偏导数存在,反之则不行


如果函数的各个偏数在点是连续的,则函数可微分

方向导数

定义导数、偏导数、方向导数都是说如果说某条件下极限存在,谨记导数的本质是极限及代表函数的变化率,偏导数反映的是函数沿坐标轴方向的变化率,有所限制,所以引入方向导数表示沿任意一方向的变化率定义:设平面以为始点的一条射线,是以射线同方向的单位向量



射线的参数方程为



如果函数增量的距离的比值,当点沿着趋于极限存在,则称此极限为函数在点沿方向的方向导数 $$\frac{\partial f}{\partial l}|{(x_0,y_0)}=\lim \limits{t \to 0^+}\frac{f(x_0+tcos\alpha,y_0+tcos\beta)-f(x_0,y_0)}{t}$$

方向导数与全微分的关系

由全微分的定义得到



设点在以为起点的射线上,则有,,,所以



上式左侧就是方向导数定义形式,极限存在即方向导数存在,且其值等于右式


由此得到定理,如果函数在点可微分,那么函数在该点沿任一方向的方向导数存在 $$

梯度

在平面上确定某一点可能存在无数个方向导数,我们怎样找到其中一个方向导数来描述函数最大变化率?定义:在二元函数的情形, 设函数在平面区域 D 内具有一阶连续偏导数,对于每一点,都可以给出一个向量



其中轴的方向向量,上述微量称为函数在点的梯度记作



由定义看到,梯度的方向是确定的,如果点的坐标确定,那么梯度也大小也确定


如果函数在点可微分,是方向的方向向量(方向未确定)


其中为向量与向量的夹角,当时,即方向与梯度的方向时,函数增加最快,函数在这个方向的方向导数达到最大值,这个值就是梯度的模,即

所以可以用沿梯度方向的方向导数来描述是函数最大变化率,即梯度方向是函数变化率最大的方向,在梯度定义的时候就已经赋予了它这个特性。

发布于: 12 小时前阅读数: 16
用户头像

矛始

关注

还未添加个人签名 2018.12.26 加入

好记性+烂笔头

评论

发布
暂无评论
导数、微分、偏导数、全微分、方向导数、梯度的定义与关系_高数_矛始_InfoQ写作社区