解释：多元函数的梯度 方向 为什么是 令多元函数变化率最大时的方向

反复纠结这个问题我感觉没必要，纠结的原因可能是数学基础不牢固，很多问题没想明白。

要注意，导数是具有方向的。

一元函数的导数值和方向：

二元函数的导数值和方向：

我们要理解：导数的意义本身就是求的该点的变化率，无论是一元还是二元还是多元。

所以二元导数和一元导数一样，它同样具有方向，方向是沿着曲面上该点，并且下降幅度最大的方向，这点变化率最大，沿着这个幅度最大的方向所在直线看，无论是向上，还是向下，都是变化最快的。

至于梯度，梯度是什么？我们规定曲面上该点下降幅度最大的反方向（还是下降幅度最大的那个方向所在的直线上，只不过是下降的反方向，也就是上升最快的方向）为梯度。为什么这么规定呢，我们发现求任意一个方向梯度的时候，如下：

       求任意一个方向梯度，这样说其实不严谨，二元函数的导数和梯度是确定的，并不存在任意一个方向的梯度这种说法。这也是很多人迷惑的原因。二元函数的导数方向：沿着曲面上该点，并且下降幅度最大的方向，这点变化率最大。梯度是蹭了人家二元函数导数方向的热度，这家伙定义就是为了蹭热度的。就好像张飞对 关羽效忠刘备的慷慨激昂后，说了句  俺也一样。

       因为咱们求的二元函数的斜率可是变化率最大的方向，这已经确定了。就比如说我的饭量是三个馒头，这已经确定了，三个以后一定吃不下了。如果你想换个方向求斜率（加上方向向量），就好像我先吃一个鸡腿或者一些零食，那再吃馒头肯定就吃不下三个了，具体多少，我也不清楚，需要计算。但是我发现一个问题哈，如果我不吃零食或者鸡腿(方向向量和二元导数的方向一样的话)，我就能吃三个馒头了。所以为了保证我能吃三个馒头，认为我不应该饭前吃零食，也就是保持梯度为变化率最大的那个方向（二元函数的导数方向），当然，这个方向有两个，直线朝两侧无线延伸么，那就规定：二元函数的导数方向且令函数值增加的方向为梯度的方向，另一侧称为梯度下降的方向。

机器学习中，为了降低损失函数的值，梯度下降的方向是很重要的,也就是必须求二元函数的导数。