雅可比矩阵和行列式

将输出的结果化作一张图的话，雅克比矩阵的列向量就是单个输入对各个维度的作用，在图中得到的是一个向量。行向量就是各个输入对单个结果的共同作用，得到的是平行与轴的一个向量

行列式描述一种缩放比例？

雅可比矩阵是一个 $n\times n$ 的矩阵，其中每个元素是由 $n$ 个函数的偏导数组成的。

雅可比矩阵的几何意义可以从两个方面来理解：

雅可比矩阵的行向量表示函数的梯度方向。对于一个 $n$ 元实值函数 $f(x_1,x_2,\dots ,x_n)$，它的梯度是一个 $n$ 维向量，其中第 $i$ 个分量是 $\frac{\partial f}{\partial x_i}$。这个向量的方向就是函数在该点的最大增加方向。而雅可比矩阵的每一行就是函数在该点的梯度向量，因此雅可比矩阵的行向量表示函数在该点的最大增加方向。

雅可比矩阵的行列式表示函数的缩放因子。对于一个从 ${\mathbb{R}}^n$ 到 ${\mathbb{R}}^n$ 的可微函数 $f(x_1,x_2,\dots ,x_n)$，它在某个点的雅可比行列式就是该点的缩放因子。具体来说，如果将 $f$ 的输入向量从 $x$ 变为 $x+\Delta x$，那么 $f$ 的输出向量也会相应地从 $f(x)$ 变为 $f(x+\Delta x)$。这个变化的比例因子就是雅可比行列式。如果雅可比行列式为正，那么 $f$ 会将体积扩大；如果为负，那么 $f$ 会将体积缩小；如果为零，那么 $f$ 在该点不可逆。

缩放因子描述的是一个向量在各个方向上的缩放比例。在二维空间中，一个向量可以表示为 $(x,y)$，如果对该向量进行缩放，可以将其变为 $(kx,ky)$，其中 $k$ 表示缩放因子。如果 $k>1$，则表示向量在各个方向上都被放大了；如果 $0<k<1$，则表示向量在各个方向上都被缩小了；如果 $k<0$，则表示向量被翻转了，并且在各个方向上都被缩放了。在三维空间中，一个向量可以表示为 $(x,y,z)$，同样可以用缩放因子对其进行缩放。

举例来说，考虑一个二元函数 $f(x,y)=x^2+y^2$，它的雅可比矩阵为：

$$J=\left(\begin{array}{cc}2x& 2y\end{array}\right)$$

在点 $(1,1)$ 处，雅可比矩阵为 $J=\left(\begin{array}{cc}2& 2\end{array}\right)$，它的行向量 $\left(\begin{array}{cc}2& 2\end{array}\right)$ 表示函数在该点的最大增加方向。而行列式为 $4-4=0$，表示该点不可逆。在点 $(0,0)$ 处，雅可比矩阵为 $J=\left(\begin{array}{cc}0& 0\end{array}\right)$，它的行向量均为零，表示函数在该点的梯度为零。而行列式为 $0$，表示该点将体积缩小为零，即该点为函数的奇点。