用Python学《微积分B》（多元函数的微分）

  多元函数的微分包括“偏导数”和“全微分”，而“全微分”在满足一定条件时，通过“偏导数”的叠加来表示。这种叠加可以让人联想到“空间向量”与“直角坐标系”的各个分量之间的叠加。
  偏导数（Partial Derivative）内容相对简单，主要包括：偏导数与全微分（全导数-total derivative）的关系、多元函数偏导数与一元函数的导数的关系、偏导数的标记法、偏导数的几何意义、高阶偏导数、混合偏导数。此外，math is fun也对“Partial Derivatives”有形象的介绍。
  全微分（Total Derivative）部分主要关注全微分与偏导数的关系。整个多元函数的微分是循着以下思路展开的：
  一元函数导数 $\; \leftarrow$切片$\leftarrow \;$ 多元函数偏导数 $\; \rightarrow$叠加$\rightarrow \;$多元函数全微分。
  很明显，它应用了两种方法：切片（降维）和叠加（分解）。

一、偏导数

1，多元函数的偏导数与一元函数导数
  回顾一下一元函数导数的定义

f′(x0)=limx→x0f(x)−f(x0)x−x0

$$f'(x_0) = \lim_{x \to x_0}\frac{f(x)-f(x_0)}{x-x_0}$$
  它是用“极限”来表示的，描述函数 f(x) 在 $x_0$ 点附近（邻域）函数的变化量与自变量的变化量的关系，因此也记作 $\frac{\mathrm{d}f(x)}{\mathrm{d}x}$。比如圆的面积与半径的变化关系可以表示为：
$$\frac{\mathrm{d}S_C(r)}{\mathrm{d}r} = \frac{\mathrm{d}[\pi r^2]}{\mathrm{d}r}$$
  类似地，多元函数的导数也是描述 在某点附近（ $P_0$ 的邻域）函数的变化量与自变量的变化量的关系。同样地，它也需要用“极限”来表示，但是，我们在上一节学到，多元函数在某点的极限有不同的逼近路径，且沿不同的逼近路径求得的极限值是有可能不同的。因此，多元函数的导数（全导数-total derivative）是比较复杂的。那么，我们考虑其中一种简单的情况，我们只考虑多元函数的函数值与其中一个变量的变化情况，而保持其他变量恒定，将多元问题转化为一元问题。比如：长方形的面积 $S = length * width$ ，这个面积随两个变量变化。如果我们将其中一个变量固定，比如固定宽度，那么，这个长方形的面积 $S = W_0 * x$，即这个面积与长度呈线性增长关系。
$$\frac{\partial S_R(l, w_0)}{\partial l} = \frac{\partial [w_0 * l]}{\partial l} = w_0$$
  这就是“多元函数的偏导数”，很明显，它将“多元函数问题”转化为了“一元函数问题”。用极限可以表示为：

fx(x0,y0)=limΔx→0f(x0+Δx,y0)−f(x0,y