向量场的散度和旋度_梯度、散度、旋度

梯度

如果我们把导数理解为微小变化引起的变化:

泰勒级数如下：

经常因为计算的原因我们可以利用线性的部分来做近似：

这也 make sense，相当于我们找到

处的切线，然后来看变化，毕竟这就是导数的本质定义。

这种思路对于具有多变量的函数应当也是适用的，比如空间中的曲面f(x,y):

对于这样的曲面，我们如果想要在

附近做线性的近似，那当然应该找到它对应的切平面。而切平面的方程为：

（切平面的方程可以通过找到x方向与y方向的切线，然后cross product得到法向量来证明。）

非常重要的是，上面这个式子同时也某种程度上回应了偏导数的本质，就是我们看x变量（方向）上的微小变化引起的变化，再加上y变量（方向）的微小变化引起的变化，就是总的变化。即使维度增加，线性模拟的式子应该也是类似的，比如函数 f(x,y,z) 在 (a,b,c) 处的线性近似应该是：

这也帮我们自然而然的引出了梯度（gradient）的概念：