上一节我们推导 了二维的散度公式
观察这个公式,我们还可以表示成梯度与向量v的点积
我们知道梯度里面包含了所有分量的偏导信息
也就是我们可以将维度推到更高维,用梯度来封装所有分量的偏导
但是
∇
\nabla
∇并不是一个向量或者一个函数,只是为了方便理解和记忆
点积就是对应位置相乘再求和
这里的乘以其实是
∂ ∂ x ∗ P ( x , y ) = ∂ ∗ P ( x , y ) ∂ x \frac{\partial}{\partial x}*P(x,y)=\frac{\partial* P(x,y)}{\partial x} ∂x∂∗P(x,y)=∂x∂∗P(x,y)
∂ ∂ x ∗ Q ( x , y ) = ∂ ∗ Q ( x , y ) ∂ x \frac{\partial}{\partial x}*Q(x,y)=\frac{\partial* Q(x,y)}{\partial x} ∂x∂∗Q(x,y)=∂x∂∗Q(x,y)
乘积才是取偏导
以上 用梯度表示后,推导到高维就很容易理解