方向导数和梯度——概念和公式整理

1. 方向余弦

  在二维空间中(X-Y平面)，向量 $\mathbf{l}=(a,b)$，这个向量 $\mathbf{l}$ 与坐标轴x和y的夹角分别为 $\alpha$ 和 $\beta$ ，如下图1所示。

图1 方向余弦

其中$\alpha$ 和 $\beta$为向量 $\mathbf{l}$ 的方向角。向量 $\mathbf{l}$ 的方向余弦为：$\cos \alpha =\frac{a}{\sqrt{a^2+b^2}}$、$\cos \beta =\frac{b}{\sqrt{a^2+b^2}}$，且$(\cos \alpha {)}^2+(\cos \beta {)}^2=1$。(方向余弦是该向量 $\mathbf{l}$ 对应的单位向量的坐标)。假设 ${\mathbf{l}}_0$ 为向量 $\mathbf{l}$ 对应的单位向量，则
$${\mathbf{l}}_0=(\frac{a}{\sqrt{a^2+b^2}},\frac{b}{\sqrt{a^2+b^2}})=(\cos \alpha ,\cos \beta )$$
单位向量 ${\mathbf{l}}_0$的模：$|{\mathbf{l}}_0|=\sqrt{(\cos \alpha {)}^2+(\cos \beta {)}^2}=1$

2. 方向导数

2.1 初识方向导数

  方向导数本质上是一个数值，可理解为一个函数$f(x,y)$在某个点A($x_0,y_0,z_0$)处沿指定方向的变化率(切线的斜率，偏导数)。因此，构建方向导数需要两个元素：函数、指定方向(方向向量)。 对于二元函数$f(x,y)$，对 $x$ 的偏导数 $f_x^{{}^{\prime }}(x_0,y_0)$指的是：函数$f(x,y)$ 在点$(x_0,y_0,z_0)$处沿着 $x$ 坐标轴的变化率；对 $y$ 的偏导数 $f_y^{{}^{\prime }}(x_0,y_0)$指的是：函数$f(x,y)$ 在点$(x_0,y_0,z_0)$处沿着 $y$ 坐标轴的变化率。这里的 $x$ 和 $y$ 坐标轴可看作是方向向量，那么 $x$ 坐标轴对应的方向向量可以是$(1,0)$， $y$ 坐标轴对应的方向向量可以是$(0,1)$。

  上面我们也说了，对$x$,$y$的偏导数其实就是二元函数$f(x,y)$在某个点($x_0,y_0,z_0$)处沿着$x$,$y$坐标轴的变化率。先看下图2，从图2中可知：显然从点 A$(x_0,y_0,z_0)$出发，可不止一个方向，而是360°都有方向，且每个方向都有方向导数。那么可以这样说：方向导数是沿着任意一指定方向的变化率，不一定是沿着 $x$,$y$坐标轴。简而言之，方向导数是沿着各个方向上的导数。当然，与普通函数的导数类似，方向导数也不是百分之百存在，需要函数满足在某点处可微，才能计算出该函数在该点的方向导数。

图 2 方向导数1

2.2 通俗理解方向导数

  对于这个函数 $z=f(x,y)$，在点 $(x_0,y_0,z_0)$ 处的方向导数不唯一，沿着不同的方向都可以确定一个方向导数。这就好比我们现在处于山中的某一点，如果我们想下山，道路并不是唯一的，而是可以沿任何方向移动的。区别在于有些方向可以让我们下山的速度更快，有些方向让我们下山的速度更慢，有些方向甚至引导我们往山顶走（也可以理解为下山速度时负的）。这里的"速度的值"就是方向导数的直观理解。
（这一段话来自：终于理解了方向导数与梯度 ）

2.3 和方向导数相关的公式

2.3.1 方向导数的定义公式

  假设向量 $\mathbf{l}$ 的单位方向向量为 ${\mathbf{l}}_0=(\cos \alpha ,\cos \beta )$，若下列极限存在，则该极限称为函数 $z=f(x,y)$在点 $(x_0,y_0)$ 处沿着方向 $\mathbf{l}$ (也就是沿着向量$\mathbf{l}$的方向) 的方向导数，记作：
$$\frac{\partial f}{\partial \mathbf{l}}{|}_{(x_0,y_0)}=\underset{t\to 0^{+}}{\lim }\frac{f(x_0+t\cos \alpha ,y_0+t\cos \beta )-f(x_0,y_0)}{t}$$

  我们可以结合下图3来理解上面的公式。从图3可以得出：方向向量 $\mathbf{l}=(t\cos \alpha ,t\cos \beta )$，那么单位方向向量 ${\mathbf{l}}_0=(\cos \alpha ,\cos \beta )$；点A坐标 $(x_0,y_0)$；点B坐标 $(x_0+t\cos \alpha ,y_0+t\cos \beta )$；$t$表示向量 $\mathbf{l}$ 的模(大小)。自变量 $(x,y)$从A点 $(x_0,y_0)$走到了B点 $(x_0+t\cos \alpha ,y_0+t\cos \beta )$，那么因变量 $z=f(x,y)$也会发生改变，即变化量 $△z=f(x_0+t\cos \alpha ,y_0+t\cos \beta )-f(x_0,y_0)$。

图 3 方向导数2

所以函数 $f(x,y)$ 在某点 $(x_0,y_0)$ 处沿着方向向量 $\mathbf{l}$ 的方向导数(变化率)可以写成：
$$\frac{\partial f}{\partial \mathbf{l}}{|}_{(x_0,y_0)}=\underset{t\to 0^{+}}{\lim }\frac{△z}{t}=\underset{t\to 0^{+}}{\lim }\frac{f(x_0+t\cos \alpha ,y_0+t\cos \beta )-f(x_0,y_0)}{t}$$

  对于上面的公式，如果 $\alpha =0,\beta =90°$，那么方向向量 $\mathbf{l}=(t,0)$，则方向向量 $\mathbf{l}$ 平行于 $x$ 轴，此时就变成了对 $x$ 的偏导数了。如下公式所示：
$$\frac{\partial f}{\partial \mathbf{l}}{|}_{(x_0,y_0)}=\underset{t\to 0^{+}}{\lim }\frac{f(x_0+t,y_0)-f(x_0,y_0)}{t}=f_x^{{}^{\prime }}(x_0,y_0)$$
同理，如果 $\alpha =90°,\beta =0$，那么方向向量 $\mathbf{l}=(0,t)$，则方向向量 $\mathbf{l}$ 平行于 $y$ 轴，此时就变成了对 $y$ 的偏导数了。如下公式所示：
$$\frac{\partial f}{\partial \mathbf{l}}{|}_{(x_0,y_0)}=\underset{t\to 0^{+}}{\lim }\frac{f(x_0,y_0+t)-f(x_0,y_0)}{t}=f_y^{{}^{\prime }}(x_0,y_0)$$

2.3.2 方向导数的计算公式

  如果函数 $z=f(x,y)$ 在点 A$(x_0,y_0)$ 处可微，则函数 $z=f(x,y)$ 在点 A$(x_0,y_0)$ 处沿着任意方向的方向导数都存在，且方向导数为：
$$\frac{\partial f}{\partial \mathbf{l}}{|}_{(x_0,y_0)}=f_x^{{}^{\prime }}(x_0,y_0)\cos \alpha +f_y^{{}^{\prime }}(x_0,y_0)\cos \beta$$
其中，$\cos \alpha$、$\cos \beta$ 是方向向量 $\mathbf{l}$ 的方向余弦，或者说$\cos \alpha$、$\cos \beta$ 是单位向量 ${\mathbf{l}}_0=(\cos \alpha ,\cos \beta )$ 对应的$x$和$y$的坐标；$f_x^{{}^{\prime }}(x_0,y_0)$是在 $(x_0,y_0)$ 处对 $x$ 的偏导数；$f_y^{{}^{\prime }}(x_0,y_0)$是在 $(x_0,y_0)$ 处对 $y$ 的偏导数。

  下面我推导一下上面的公式是怎样得到的（下面的推导看不看都行）。
$$\begin{array}{rl}\frac{\partial f}{\partial \mathbf{l}}{|}_{(x_0,y_0)}=& \underset{t\to 0^{+}}{\lim }\frac{f(x_0+t\cos \alpha ,y_0+t\cos \beta )-f(x_0,y_0)}{t}\\ =& \underset{t\to 0^{+}}{\lim }\frac{f(x_0+t\cos \alpha ,y_0+t\cos \beta )-f(x_0,y_0+t\cos \beta )}{t}\\ & +\underset{t\to 0^{+}}{\lim }\frac{f(x_0,y_0+t\cos \beta )-f(x_0,y_0)}{t}\\ & (此处，令△x=t\cos \alpha ,△y=t\cos \beta ,由此可得到：)\\ =& \underset{△x\to 0^{+}}{\lim }\frac{f(x_0+△x,y_0+t\cos \beta )-f(x_0,y_0+t\cos \beta )}{△x}\cos \alpha \\ & +\underset{△y\to 0^{+}}{\lim }\frac{f(x_0,y_0+△y)-f(x_0,y_0)}{△y}\cos \beta \\ =& f_x^{{}^{\prime }}(x_0,y_0)\cos \alpha +f_y^{{}^{\prime }}(x_0,y_0)\cos \beta \end{array}$$

2.3.2 方向导数的例题

  上面讲的都是二元函数 $z=f(x,y)$，对于三元函数 $u=f(x,y,z)$， 其方向导数公式如下：
$$\frac{\partial f}{\partial \mathbf{l}}{|}_{(x_0,y_0,z_0)}=f_x^{{}^{\prime }}(x_0,y_0,z_0)\cos \alpha +f_y^{{}^{\prime }}(x_0,y_0,z_0)\cos \beta +f_z^{{}^{\prime }}(x_0,y_0,z_0)\cos \gamma$$

其中，$\cos \alpha$、$\cos \beta$ 和 $\cos \gamma$ 是方向向量 $\mathbf{l}$ 的方向余弦，或者说$\cos \alpha$、$\cos \beta$ 和 $\cos \gamma$ 是单位向量 ${\mathbf{l}}_0=(\cos \alpha ,\cos \beta ,\cos \gamma )$ 对应的$x$、$y$ 和 $z$ 的坐标；$f_x^{{}^{\prime }}(x_0,y_0,z_0)$是在 $(x_0,y_0,z_0)$ 处对 $x$ 的偏导数；$f_y^{{}^{\prime }}(x_0,y_0,z_0)$是在 $(x_0,y_0,z_0)$ 处对 $y$ 的偏导数；$f_z^{{}^{\prime }}(x_0,y_0,z_0)$是在 $(x_0,y_0,z_0)$ 处对 $z$ 的偏导数。

   经过我上面的解释，相信大家应该能看懂下面的例题解答。

图 4 例题

3.梯度

3.1 梯度定义

  梯度是一个向量，它既有大小（其大小为最大的方向导数），也有方向。梯度指向函数增长最快的方向，即梯度的方向就是函数变化率(切线的斜率，偏导数)最大的方向。我在网上找到的梯度的定义如下：

图 5 梯度的定义

从上面的定义可知：梯度 $gradf(x_0,y_0)=\nabla f(x_0,y_0)=f_x^{{}^{\prime }}(x_0,y_0)\mathbf{i}+f_y^{{}^{\prime }}(x_0,y_0)\mathbf{j}$。下面简单说一下，在向量表示中经常遇到的 $\mathbf{i}、\mathbf{j}、\mathbf{k}$ 是什么意思。

  在三维空间直角坐标系中，$\mathbf{i}、\mathbf{j}、\mathbf{k}$ 分别表示与 $x$ 轴、$y$ 轴、$z$ 轴方向相同的单位向量，是表示空间向量的一组基底，坐标表示为：$\mathbf{i}=(1,0,0)、\mathbf{j}=(0,1,0)、\mathbf{k}=(0,0,1)$ 。在三维空间中，任何一个向量都可以通过这三个基向量($\mathbf{i}、\mathbf{j}、\mathbf{k}$)的线性组合来表示。例如：一个向量表示为 $A=2\mathbf{i}+3\mathbf{j}-\mathbf{k}$，表明 $A$ 向量在 $x$ 轴方向上延伸了2个单位；在 $y$ 轴方向上延伸了3个单位；在 $z$ 轴方向上缩短(负方向)了1个单位。直观理解就是：你可以把向量 $A=2\mathbf{i}+3\mathbf{j}-\mathbf{k}$ 看成是从原点 $(0,0,0)$ 到点 $(2,3,-1)$ 的一个箭头(或一个向量)，这些系数 $(2,3,-1)$ 分别表示该箭头(向量)在三个坐标轴上的投影长度，在对应轴上的投影长度分别是 2、3 和 -1。

  通过上面对 $\mathbf{i}、\mathbf{j}、\mathbf{k}$ 的描述，我们应该知道梯度 $gradf(x_0,y_0)=\nabla f(x_0,y_0)$ 表示在 $x$ 轴的投影长度为 $f_x^{{}^{\prime }}(x_0,y_0)$，在 $y$ 轴的投影长度为 $f_y^{{}^{\prime }}(x_0,y_0)$。我们还可以用另外一种方式来表示梯度，即 $gradf(x_0,y_0)=\nabla f(x_0,y_0)=(f_x^{{}^{\prime }}(x_0,y_0),f_y^{{}^{\prime }}(x_0,y_0))(\mathbf{i},\mathbf{j})$，向量$(f_x^{{}^{\prime }}(x_0,y_0),f_y^{{}^{\prime }}(x_0,y_0))$就是函数$f(x,y)$在点 $(x_0,y_0)$ 处的梯度 $gradf(x_0,y_0)$。

  最后总结一下：多元函数 $f(x,y,z,\dots )$ 在点 $(x_0,y_0,z_0,\dots )$处每个变量方向上的偏导数所组成的向量就是梯度，即 $\nabla f(x_0,y_0,z_0,\dots )=(f_x^{{}^{\prime }},f_y^{{}^{\prime }},f_z^{{}^{\prime }},\dots )$。

3.2 梯度和方向导数的关系

  方向导数是一个标量(数值)，描述函数在特定方向上的变化率，是梯度与该单位方向向量的点积(或者说是梯度在单位方向向量上的投影)。函数在某点处的梯度是一个向量，在梯度方向上的方向导数最大，而梯度的模(大小)为方向导数的最大值。梯度的方向就是二元函数 $f(x,y)$ 在点 $(x_0,y_0)$ 处增长最快的方向。二者之间的关系可以参考下图6：

图 6 梯度和方向导数的区别

（1）先解释一下：为什么$f_x^{{}^{\prime }}(x_0,y_0)\cos \alpha +f_y^{{}^{\prime }}(x_0,y_0)\cos \beta =gradf(x_0,y_0)\cdot e_l$。

  这是因为$f_x^{{}^{\prime }}(x_0,y_0)\cos \alpha +f_y^{{}^{\prime }}(x_0,y_0)\cos \beta =(f_x^{{}^{\prime }}(x_0,y_0),f_y^{{}^{\prime }}(x_0,y_0))\cdot (\cos \alpha ,\cos \beta )$，将方向导数的计算转为向量的点积形式。我们从上面可知梯度 $gradf(x_0,y_0)=(f_x^{{}^{\prime }}(x_0,y_0),f_y^{{}^{\prime }}(x_0,y_0))$，$e_l=(\cos \alpha ,\cos \beta )$。所有上述等式成立。

（2）再解释一下：方向导数 $\frac{\partial f}{\partial \mathbf{l}}{|}_{(x_0,y_0)}=gradf(x_0,y_0)\cdot e_l=|gradf(x_0,y_0)|\cos \theta$。即：方向导数是梯度与该单位方向向量的点积(或者说是梯度在单位方向向量上的投影)

  我们知道梯度 $gradf(x_0,y_0)$ 是一个向量，$e_l$是单位方向向量。因此方向导数的计算可以转换为两个向量的点乘(点积、内积)，计算向量的点乘有两种方式：

• 点积表示：$\mathbf{a}\cdot \mathbf{b}=a_1{b}_1+a_2{b}_2+\cdots +a_n{b}_n$；
• 几何表示：$\mathbf{a}\cdot \mathbf{b}=|a|\cdot |b|\cos \theta$。
  关于向量的描述可以参考：向量——通俗地解释

  基于向量点乘的几何表示法，我们可知：$gradf(x_0,y_0)\cdot e_l=|gradf(x_0,y_0)|\cdot |e_l|\cos \theta$，由于 $e_l$ 是单位向量，所以模 $|e_l|=1$。进而我们可以得到$gradf(x_0,y_0)\cdot e_l=|gradf(x_0,y_0)|\cdot \cos \theta$。

（3）最后解释一下：梯度方向上的方向导数最大，而梯度的模(大小、值)是方向导数中的最大值。
  从下图7我们可以看出：单位方向向量 $e_l$ 指向不同的角度时，向量$e_l$ 与梯度 $gradf(x_0,y_0)$的夹角 $\theta$ 是不一样的 ，那么 $\cos \theta$ 的值不同的。从上面可知：方向导数 $\frac{\partial f}{\partial \mathbf{l}}{|}_{(x_0,y_0)}=gradf(x_0,y_0)\cdot e_l=|gradf(x_0,y_0)|\cos \theta$，梯度的模 $|gradf(x_0,y_0)|$是固定不变的，因此当单位方向向量 $e_l$ 指向不同的角度时，其方向导数是不同的。其中：

• 当 $\theta =0$时，单位方向向量 $e_l$与梯度方向处于同一方向，此时方向导数取最大值，且最大值为梯度的模(大小、值)。即：沿着梯度方向上的方向导数最大，而梯度的模(大小、值)是方向导数中的最大值；
• 当 $\theta =\frac{\pi }{2}$时，单位方向向量 $e_l$与梯度方向正交(两向量垂直，点积为0)，此时方向导数为0；
• 当 $\theta =\pi$时，单位方向向量 $e_l$与梯度方向相反，此时方向导数为最小值。

图 7 梯度和方向导数的关系

扩展理解：依然采用下山的例子来解释。我们想要走到山下，道路有千万条，但总有一条可以让我们以最快的速度下山。当然，这里的最快速度仅仅作用在当前的位置点上(局部最优并不是全局最优)，也就是说在当前位置A我们选择一个方向往山下走，走了一步之后到达了另外一个位置B，然后我们在B位置计算梯度方向，并沿该方向到达位置处c，重复这个过程一直到终点。但是，如果我们把走的每一步连接起来构成下山的完整路线，这条路线可能并不是下山的最快最优路线。

原因是什么？可以用一句古诗来解释：“不识庐山真面目，只缘身在此山中。”因为我们在山上的时候是不知道山的具体形状的，因此无法找到一条全局最优路线。那我们只能关注脚下的路，将每一步走好，这就是梯度下降法的原理。

扩展一下：
（1）对于一个多元函数 $f(x,y,z,\dots )$，我们通常使用 $▽f$表示该函数的梯度，包含了函数在每个变量方向上的偏导数。即：$▽f=(\frac{\partial f}{\partial \mathbf{x}},\frac{\partial f}{\partial \mathbf{y}},\frac{\partial f}{\partial \mathbf{z}},\dots )$。
（2）对于一个多元函数 $f(x,y,z,\dots )$和单位向量$\mathbf{u}$，其在点 P 的方向导数 $D_{u}f$ 可以表示为
$$D_{u}f=▽f\cdot \mathbf{u}$$
以后遇见这些特殊的符号能知道啥意思就行，我觉得反正本质上并没有啥区别，但符号表示就是不一样(吐槽一下：明明很简单、通俗易懂的东西，有时候就非得用一些所谓高大上、装B的数学符号、数学公式来描述、来表示，因为这样才会显得有水平。唉，难搞啊，搞不懂为什么会这样。我只是发个牢骚，简单吐槽一下，没有别的意思。其实既然存在，那么应该有它存在的道理)。

参考文章：

终于理解了方向导数与梯度
如何理解梯度(方向导数的最大值)
方向导数和梯度的直观理解，为什么梯度方向函数变化最快？