1. 使用Python 绘制二元函数的图像：
首先需要安装matplotlib库，然后使用以下代码进行绘图：
```python
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
# 定义二元函数
Z = X**2 + Y**2
# 绘制图像
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(X, Y, Z)
plt.show()
```
2. 求多元函数的偏导数：
偏导数表示函数在某个变量上的变化率，而其他变量保持不变。对于多元函数，可以对每个变量分别求偏导数。
例如，对于函数 $f(x,y)=x^2+y^2$，可以求出它在 $x$ 和 $y$ 上的偏导数：
$\frac{\partial f}{\partial x} = 2x$
$\frac{\partial f}{\partial y} = 2y$
3. 求多元函数的高阶偏导数：
高阶偏导数表示函数在某个变量上的变化率的变化率，可以通过对偏导数再次求导得到。
例如，对于函数 $f(x,y)=x^2+y^2$，可以求出它的二阶偏导数：
$\frac{\partial^2 f}{\partial x^2} = 2$
$\frac{\partial^2 f}{\partial y^2} = 2$
$\frac{\partial^2 f}{\partial x\partial y} = 0$
4. 求多元函数的全微分：
全微分表示函数在某个点上的变化量，可以通过对每个变量的偏导数求和得到。
例如，对于函数 $f(x,y)=x^2+y^2$，可以求出它在点 $(1,2)$ 处的全微分：
$df = \frac{\partial f}{\partial x} dx + \frac{\partial f}{\partial y} dy$
$= 2x dx + 2y dy$
$= 2(1) dx + 2(2) dy$
$= 2dx + 4dy$
5. 求隐函数的偏导数：
隐函数是一个多元函数，其中一个变量可以表示为其他变量的函数，例如 $x^2+y^2=1$ 可以表示为 $y=\sqrt{1-x^2}$。
对于这样的隐函数，可以使用隐函数求导法求出它的偏导数：
$\frac{\partial y}{\partial x} = -\frac{\frac{\partial f}{\partial x}}{\frac{\partial f}{\partial y}}$
其中 $f(x,y)=x^2+y^2-1$，代入得：
$\frac{\partial y}{\partial x} = -\frac{2x}{2y} = -\frac{x}{y}$
6. 求隐函数组的偏导数：
类似地，对于多个隐函数组成的隐函数组，可以使用偏导数的链式法则求出它们的偏导数。
例如，对于隐函数组 $\begin{cases}f(x,y,z) = x^2+y^2+z^2-1=0 \\ g(x,y,z) = x+y+z-2=0\end{cases}$，可以求出它们在点 $(1,1,0)$ 处的偏导数：
$\frac{\partial y}{\partial x} = -\frac{\frac{\partial f}{\partial x}}{\frac{\partial f}{\partial y}} = -\frac{2x}{2y} = -\frac{x}{y}$
$\frac{\partial y}{\partial z} = -\frac{\frac{\partial f}{\partial z}}{\frac{\partial f}{\partial y}} = -\frac{2z}{2y} = -\frac{z}{y}$
$\frac{\partial x}{\partial z} = -\frac{\frac{\partial f}{\partial z}}{\frac{\partial f}{\partial x}} = -\frac{2z}{2x} = -\frac{z}{x}$
$\frac{\partial y}{\partial x} = -\frac{\frac{\partial g}{\partial x}}{\frac{\partial g}{\partial y}} = -1$
$\frac{\partial y}{\partial z} = -\frac{\frac{\partial g}{\partial z}}{\frac{\partial g}{\partial y}} = -1$
$\frac{\partial x}{\partial z} = -\frac{\frac{\partial g}{\partial z}}{\frac{\partial g}{\partial x}} = -1$
7. 求方向导数与梯度：
方向导数表示函数在某个方向上的变化率，可以通过对梯度向量与该方向向量进行点积得到。
例如，对于函数 $f(x,y)=x^2+y^2$，在点 $(1,2)$ 处沿着向量 $(1,1)$ 的方向导数为：
$\nabla f = \begin{pmatrix} 2x \\ 2y \end{pmatrix} = \begin{pmatrix} 2 \\ 4 \end{pmatrix}$
$\vec{v} = \begin{pmatrix} 1 \\ 1 \end{pmatrix}$
$D_{\vec{v}}f = \nabla f \cdot \vec{v} = \begin{pmatrix} 2 \\ 4 \end{pmatrix} \cdot \begin{pmatrix} 1 \\ 1 \end{pmatrix} = 6$
梯度表示函数在某个点上的最大变化率，可以通过对每个变量的偏导数构成的向量得到。
例如，对于函数 $f(x,y)=x^2+y^2$，在点 $(1,2)$ 处的梯度为：
$\nabla f = \begin{pmatrix} 2x \\ 2y \end{pmatrix} = \begin{pmatrix} 2 \\ 4 \end{pmatrix}$
8. 求多元函数的极值：
极值表示函数在某个点上取得最大或最小值，可以通过求解偏导数为0的方程组来得到。
例如，对于函数 $f(x,y)=x^2+y^2+2x+4y+1$，可以求出它的偏导数：
$\frac{\partial f}{\partial x} = 2x+2$
$\frac{\partial f}{\partial y} = 2y+4$
令偏导数为0，得到临界点 $(x,y)=(-1,-2)$。
然后可以通过求解二阶偏导数的行列式来确定这个点的极值类型：
$D = \begin{vmatrix} \frac{\partial^2 f}{\partial x^2} & \frac{\partial^2 f}{\partial x\partial y} \\ \frac{\partial^2 f}{\partial y\partial x} & \frac{\partial^2 f}{\partial y^2} \end{vmatrix} = \begin{vmatrix} 2 & 0 \\ 0 & 2 \end{vmatrix} = 4$
因为 $D>0$ 且 $\frac{\partial^2 f}{\partial x^2}>0$，所以这个点是函数的最小值点。
1956
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
