_____________________________________________________________________________________________
偏导数:
![56b1fea747ee2c4252652b76eb09bd50.png](https://i-blog.csdnimg.cn/blog_migrate/b2b15974be59028487b3701d61ef5346.jpeg)
_____________________________________________________________________________________________
复合函数微分法:
![efefe38c27a3194c22c5f19449788dee.png](https://i-blog.csdnimg.cn/blog_migrate/b42b258f7da52d909b35e13529314b28.jpeg)
_____________________________________________________________________________________________
方向导数:
![699475a9ef2c81d080948fe8cca95201.png](https://i-blog.csdnimg.cn/blog_migrate/1704acfa9b592d7e04ab76dcadafeac9.jpeg)
![1a0c261b6b65a2fdd189f2665cead0b0.png](https://i-blog.csdnimg.cn/blog_migrate/b6fea569e8f2ba177dfc78d5fa06710d.png)
![24fde11f2d743287b2ac9c2be2b13361.png](https://i-blog.csdnimg.cn/blog_migrate/ba4ab5b75ea2cf1886ef680bdb243cca.jpeg)
沿L方向的变化率=沿x方向的变化率cosα+沿y方向的变化率β+沿z方向的变化率*γ
_____________________________________________________________________________________________
梯度: 有没有二维的例子说明下??
梯度的本意是一个向量(矢量),
表示某一函数在该点处的方向导数沿着该方向取得最大值,
即函数在该点处沿着该方向(此梯度的方向)变化最快,变化率最大(为该梯度的模)
** 对于一个线性函数,梯度就是线的斜率
![7c89e055a6869116e540cc76548e5d19.png](https://i-blog.csdnimg.cn/blog_migrate/3684f9619783d7fccf366eda67b4dda4.png)
![d5005d2a4787e38ef8550fe38641cdc3.png](https://i-blog.csdnimg.cn/blog_migrate/49a81a2d505c3f6b03e8c72b72450c64.jpeg)
【方向导数就是梯度在给定方向上的投影】
![aa3ae34932f4337d1cba2d0035531935.png](https://i-blog.csdnimg.cn/blog_migrate/c384afd219bdf4cbd24ca0dc4f79897b.jpeg)
**梯度垂直于原函数的等面值
https://blog.csdn.net/youhuakongzhi/article/details/80565176
![2136eec2776ba43da08ae4405421eeaa.png](https://i-blog.csdnimg.cn/blog_migrate/3788b001be8f3a2a68322d2eff113358.jpeg)
i :为x坐标轴方向的单位向量
j :为y坐标轴的单位向量
k :为z坐标轴的单位向量
红框下面的等式说明:
方向导数=某向量*沿L方向的单位向量
下面求方向导数的最大值:
![59d8f14ed4d4eb3d523cecc99df07f6a.png](https://i-blog.csdnimg.cn/blog_migrate/602eddfa584ac97284ba5bed89cf15df.jpeg)
_____________________________________________________________________________________________