单变量情况,如果
f:R→R
,则有:
f′(x)=lim∇x→0f(x+∇x)−f(x)∇x
以一种非常有用的方式考虑 f′(x) 就是:
f(x+∇x)≈f(x)+f′(x)∇x
上述方程在n维欧式空间到m维欧式空间的映射
F:Rn→Rm
同样非常有意义:
F(x+∇x)≈F(x)+F′(x)∇x
- 其中
F′(x)
就是函数在一点
x
的导数也就是Jacobian矩阵
JF(x) - x∈Rn , F(x)∈Rm , JF(x) 为 m×n :可见上式完成了不同维度空间的线性映射
- 其重要意义在于它表现了一个多变数向量函数的最佳线性逼近
- 雅可比矩阵类似于单变数函数的导数
- Jacobian矩阵 JF(x) 允许我们通过线性函数(affine function)估计一个函数 F <script type="math/tex" id="MathJax-Element-377">F</script> locally