多元函数的向量表示_今日份翻译：微分（多元篇）

这一部分其实我觉得理解得好不好有高代的话语权。很多东西它翻不过来个儿不是因为人家说什么听不懂，而是脑子装不下......还有就是比较抽象的东西多了起来，也很考验高代的功底。

一元微分的时候我们多次强调，微分的本质是一种线性映射，所以我们来看一看多元里的线性映射是什么样的。一元线性映射老简单了，粗暴理解为乘个系数就得了。放到多元里，“线性”长这个样子：

然后再拿从n维欧氏空间映射到m维来说吧。

我不晓得我大一发什么神经，反正当时迟钝的要死咋地都不明白那玩意儿的矩阵从哪儿来的。可能还是不熟悉矩阵语言吧？矩阵的好处就是目力能及的简洁。假如把a1...那一大堆都记为A，当成一个系数矩阵，而向量h的坐标h1,h2,...,hm也写成一个列向量，那么在形式上，它和一元并没有太大区别：f(x)=kxL(h)=Ah相应地，线性映射的线性组合，由常数的线性组合变为矩阵的线性组合，而线性映射的复合(乘法)，也从常数乘积落到矩阵乘法。 (写个A不比呼呼啦啦扯一堆ijkh12345或者什么的看着舒服？ )

琢磨透了这些个东西，我们就可以给多元函数的微分下定义了：

可以看到她和一元的形式保持了高度一致。其中L(x)是关于h的线性函数，当h趋近于0时，α(x;h)是h的高阶无穷小，即o(h).换汤不换药，还是线性部分+高阶无穷小。这里L(x)h很耐人寻味，我私以为还是写成L(x)(h)比较好理解：对照一下一元函数微分，线性部分的系数是f'(x0),是在x0点处的导数值，也就是 由x的选取来确定的具体的数：我们敲定的x0不同，那么自变量增量前面乘的系数也不一样。同样这里的L(x),它其实也表示由x确定的一个针对h的线性映射，写开了就是：

为啥L里面还跟个括号x，就是想说明后面乘的矩阵A是和x的选取有关的。其实一元里还能这么着理解：f'(x0)不当成一个具体的数值，把它也看成是一个线性映射，如此它将R中的 △x映射为R中的A△x，这个A是x处的导数值，还是跟x的选取有关。 后面的内容不特别指出的话都说的是多元实值函数。 这时我们会发现一个问题，多元里面导数是怎么个存在方式？之前说一元里导数和多元里差很多，我觉着本质还是得落到定义域不同吧。实数轴用单位向量指示方向的其实就一个1，或者理解成两个1和-1都可以，不管怎么理解吧反正是有限个。 一元里我们可以简简单单把函数值的变化量和点的差做一个除法，然后就是经典的喜闻乐见：我们卡变化率当导数，这个变化率直接就是个比值。

再进一步我们让△x趋近0+和0-，就能表示方向，两个方向的极限都存在且相等的话我们就说导数存在。但从 开始再往上一个空间里就会有无限多个单位向量能表示方向，比如二维里，转个360°，有多少向量数不清。这就造成了一个麻烦， 两点的差不是一个具体的数值，而是一个有方向的量，这就没法直接拿函数值的变化量和它做商来当一点附近的变化率了。 也就是说导数不好像一元那样直接定义了。 于是我们引入了“方向导数”：

这里v是空间里的单位向量，h是个实数。 这个极限称为函数f在点x0 沿着向量v方向 的导数。 (有的版本说h趋近0+，我感觉都行？) 先提前说一下，方向导数本质上还是一个数值，表示的是“多元函数沿着我们想要的方向上的变化率”，而方向导数存在的前提是：函数可微。也就是由上述微分形式成立。我忘了是哪次作业还是小测，应该不是大考，里面有个题就是求方向导数，平常方向导数题一般都会说一下判断可微，但是那题没说，我也就没朝那方面想，没证可微，后来老惨了。

再往后就到了偏导了。不同课本的介绍顺序不太一样，我就顺着自个儿的思路说吧。多元函数不管怎么复杂，总得有几个能甩蔓儿的变量吧？也就是说，每个多元函数都能表示成：

自变量是x1，x2，... ，xn.放到二元里，大多是x,y.放到三元里，大多是x,y,z.放到四元里，嘿嘿，我没见过。

那我们把方向导数里那个方向v给它对准了各个xi，就得到了各个变量的偏导数。因为各个变量相互独立，所以求方向导数(偏导)的时候不用再考虑其他变量的影响，当成常数就ok.有偏导自然得有个不偏的，我们称之为全导数。(应该还有别的叫法吧，反正我不知道，就先说全导数)，我们针对一下最后一个变量xm，对它的全导数怎么定义？ 首先借助偏导数的概念，我们再 兜回 微分：

也就是说，我们把一个函数的微分表示为它的 自变量坐标的微分的线性组合了。理解成全微分是各个变量的微分的线性组合，也没啥问题。不管怎么理解，有了上面的等式，我们根据不同变量间的微分关系：

就能得到：

这时如果我们把f看成是xm的一元函数(因为其他变量和xm是相互独立的，所以这个操作是可行的)，那么应该也有微分关系：

代入就可得f对xm全导数的定义：

百科说， 全 导数的出现可以作为一类导数概念的补充，其中渗透着整合全部变量的思想 。 行吧，大概明白了。 再然后是梯度的定义，卓里奇书里是这么个介绍法：

WRO,人言否？？？我寻思着还是看比较直观少些权威的理解吧。虽然上面说的一半我看不懂，但是最起码从形式上能看出来梯度的本质是个 向量。这个向量怎么来呢？给定函数对它所有的向量求偏导，这些偏导组成的向量就是梯度。而后我们知道了，这个向量的方向和方向导数取得最大值的方向是一样的，它的模就是方向导数的最大值。(绕不绕？)就是说嘛，一个方向就有一个导数，那么多个方向导数，总有一个最大的，梯度这个向量的方向，就是沿着这个方向的，而巧的是梯度的“长度”也刚好贴上这个最大值。