偏导,方向导数以及梯度的理解
最初的疑惑
在梯度的Wiki 上对梯度在三维空间,直角坐标系下的梯度表示为
∇ = ∂ f ( x , y , z ) ∂ x ∗ i ⃗ + ∂ f ( x , y , z ) ∂ y ∗ j ⃗ + ∂ f ( x , y , z ) ∂ z ∗ k ⃗ \nabla = \frac{\partial{f(x, y, z)}}{\partial{x}}*\vec{i}+\frac{\partial{f(x, y, z)}}{\partial{y}}*\vec{j}+\frac{\partial{f(x, y, z)}}{\partial{z}}*\vec{k} ∇=∂x∂f(x,y,z)∗i +∂y∂f(x,y,z)∗j +∂z∂f(x,y,z)∗k
为什么梯度是由函数 f ( x , y , z ) f(x, y ,z) f(x,y,z)在每个方向上的偏导乘以向量然后相加呢?
希望回答的问题
- 梯度是什么?
- 梯度是怎么来的?
- 梯度怎么表示?
- 梯度为什么这么表示?
- 为什么梯度的反方向是函数值下降最快的方向?
梯度是什么?
梯度是个向量,在某个点的梯度定义有两部分组成:1)梯度的方向:在当前点函数值增长最快的方向 2)梯度的值:函数在当前点最大的增长率 ∣ ∇ f ∣ |\nabla{f}| ∣∇f∣。
从这个描述当中我们可以把最初的疑惑,分解为两个问题
- 为什么上面的向量表示的方向是函数值增长最快的方向
- 为什么这个向量表示的长度为最大的增长率
梯度是怎么来的?
为了回答以上的问题,我们需要知道梯度是怎么来的,这是我们需要引入方向导数。
方向导数的定义:假设 f f f为 R n R^n Rn上的函数,且包含某个区间 D D D, P 0 P_0 P0为 D D D上的一个点, l ⃗ \vec{l} l 为一个非零向量,如果极限
lim t → 0 f ( P 0 x 1 + l x 1 t , P 0 x 2 + l x 2 t , . . . ) − f ( P 0 x 1 , P 0 x 2 , . . . ) t \lim_{t \to 0}\frac{f(P_{0x1} + l_{x1}t, P_{0x2} + l_{x2}t, ...) - f(P_{0x1}, P_{0x2}, ...)}{t} t→0limtf(P0x1+lx1t,P0x2+lx2t,...)−f(P0x1,P0x2,...)
存在,则此极限为 f f f在方向 l ⃗ \vec{l} l 上的方向导数 ∂ f ∂ l \frac{\partial{f}}{\partial{l}} ∂l∂f
为什么需要方向导数呢,其实我们可以注意到梯度的方向为函数值增加最快的方向,那么就有增加没那么快的方向,这些没那么快的方向是什么呢?很明显,就是某一个方向导数的方向。其实梯度的方向也是包含在这个某个点的所有方向导数内的,也就是说梯度的大小只是一个特别的方向导数的值,梯度的方向就是那个特殊的 l ⃗ \vec{l} l 。也就是说梯度是从方向导数来的。
梯度怎么表示?
就如最开始的疑惑中提到的,在三维空间,直角坐标系下的梯度是由函数 f ( x , y , z ) f(x, y ,z) f(x,y,z)在每个方向上的偏导乘以向量然后相加
∇ = ∂ f ( x , y , z ) ∂ x ∗ i ⃗ + ∂ f ( x , y , z ) ∂ y ∗ j ⃗ + ∂ f ( x , y , z ) ∂ z ∗ k ⃗ \nabla = \frac{\partial{f(x, y, z)}}{\partial{x}}*\vec{i}+\frac{\partial{f(x, y, z)}}{\partial{y}}*\vec{j}+\frac{\partial{f(x, y, z)}}{\partial{z}}*\vec{k} ∇=∂x∂f(x,y,z)∗i +∂y∂f(x,y,z)∗j +∂z∂f(x,y,z)∗k
更为一般化的说,梯度就是函数在各个维度的偏导组成的向量 [ ∂ f ∂ x 1 , ∂ f ∂ x 2 , . . , ∂ f ∂ x 3 ] [\frac{\partial{f}}{\partial{x_1}}, \frac{\partial{f}}{\partial{x_2}},..,\frac{\partial{f}}{\partial{x_3}}] [∂x1∂f,∂x2∂f,..,∂x3∂f]
梯度为什么这么表示?
梯度的表示方式是由一个和方向导数有关的定理确定的:
如果函数 f f f在 P 0 P_0 P0处可微(注意不是极限存在),向量 l ⃗ \vec{l} l 的方向余弦为 c o s α 1 , c o s α 2 , c o s α 3 , . . . , c o s α n cos\alpha_1,cos\alpha_2,cos\alpha_3,...,cos\alpha_n cosα1,cosα2,cosα3,...,cosαn,则函数在 P 0 P_0 P0处方向 l ⃗ \vec{l} l 的方向导数为:
∂ f ∂ l ∣ P 0 = ∂ f ∂ x 1 ∣ P 0 ∗ c o s α 1 + ∂ f ∂ x 2 ∣ P 0 ∗ c o s α 2 + . . . ∂ f ∂ x n ∣ P 0 ∗ c o s α n \frac{\partial{f}}{\partial{l}}\vert_{P_0}=\frac{\partial{f}}{\partial{x_1}}\vert_{P_0}*cos\alpha_1+\frac{\partial{f}}{\partial{x_2}}\vert_{P_0}*cos\alpha_2+...\frac{\partial{f}}{\partial{x_n}}\vert_{P_0}*cos\alpha_n ∂l∂f∣P0=∂x1∂f∣P0∗cosα1+∂x2∂f∣P0∗cosα2+...∂xn∂f∣P0∗cosαn
注:方向余弦是一个单位向量,处于 f f f在 P 0 P_0 P0处的切面上,可以想象在此平面有无数个方向余弦。
首先注意可微这个条件,这个条件比极限存在范围更小,也就是说在某些可以用定义求梯度,但是不能通过这个定理求出梯度。其次在注意,这里面出现了每个方向的导数,和我们最开始的有疑问的表示方式有点像了,只不过这个导数表示的是个标量。同时,我们可以注意到这个方向导数可以表示为
∂ f ∂ l ∣ P 0 = [ ∂ f ∂ x 1 ∣ P 0 , ∂ f ∂ x 2 ∣ P 0 , . . , ∂ f ∂ x 3 ∣ P 0 ] T [ c o s α 1 , c o s α 2 , . . , c o s α n ] \frac{\partial{f}}{\partial{l}}\vert_{P_0} = [\frac{\partial{f}}{\partial{x_1}}\vert_{P_0}, \frac{\partial{f}}{\partial{x_2}}\vert_{P_0},..,\frac{\partial{f}}{\partial{x_3}}\vert_{P_0}]^T[cos\alpha_1, cos\alpha_2,..,cos\alpha_n] ∂l∂f∣P0=[∂x1∂f∣P0,∂x2∂f∣P0,..,∂x3∂f∣P0]T[cosα1,cosα2,..,cosαn]
如果 g ⃗ = [ ∂ f ∂ x 1 ∣ P 0 , ∂ f ∂ x 2 ∣ P 0 , . . , ∂ f ∂ x 3 ∣ P 0 ] \vec{g}=[\frac{\partial{f}}{\partial{x_1}}\vert_{P_0}, \frac{\partial{f}}{\partial{x_2}}\vert_{P_0},..,\frac{\partial{f}}{\partial{x_3}}\vert_{P_0}] g =[∂x1∂f∣P0,∂x2∂f∣P0,..,∂x3∂f∣P0] 而且 l ⃗ = [ c o s α 1 , c o s α 2 , . . , c o s α n ] \vec{l}=[cos\alpha_1, cos\alpha_2,..,cos\alpha_n] l =[cosα1,cosα2,..,cosαn]根据余弦定理我们有
∂ f ∂ l ∣ P 0 = ∣ ∣ g ⃗ ∣ ∣ ∗ ∣ ∣ l ⃗ ∣ ∣ ∗ c o s θ \frac{\partial{f}}{\partial{l}}\vert_{P_0} =||\vec{g}||*||\vec{l}||*cos{\theta} ∂l∂f∣P0=∣∣g ∣∣∗∣∣l ∣∣∗cosθ
由此可知,当方向余弦和偏导向量的夹角为0°时,方向导数最大,且这个值为 ∣ ∣ g ⃗ ∣ ∣ ||\vec{g}|| ∣∣g ∣∣,所以我们可以回答前面的分解问题
- 为什么偏导数组成的向量的方向是梯度方向?
因为方向导数最大的方向余弦是和偏导数组成的向量方向相同的,又因为我们知道让方向导数的值最大的方向余弦是梯度方向,所以偏导数组成的向的方向是梯度方向。- 为什么梯度的值是偏导数组成的向量的大小?
因为当 θ \theta θ为0°时, c o s θ = 1 cos\theta=1 cosθ=1而且已知 ∣ ∣ l ⃗ ∣ ∣ = 1 ||\vec{l}||=1 ∣∣l ∣∣=1,所以
∂ f ∂ l ∣ P 0 = ∣ ∣ g ⃗ ∣ ∣ \frac{\partial{f}}{\partial{l}}\vert_{P_0} =||\vec{g}|| ∂l∂f∣P0=∣∣g ∣∣
为什么梯度的反方向是函数值下降最快的方向
根据梯度的定义:梯度的方向是函数值上升最快的方向。所以梯度的反方向就是函数值下降最快的方向。
偏导,方向导数以及梯度的理解相关推荐
- 极限和连续+偏导+方向导数+可微+梯度+链式法则+hessian矩阵
文章目录 前言 一.极限和连续 二.偏导数 三.方向导数 四.可微 五.梯度 六.链式法则 七.Hessian矩阵 前言 多元函数 y对某一个变量的导数是偏导数: 偏导数的结果可以推广到任意方向,也就 ...
- 导数,偏导数,方向导数,梯度的理解---微积分数学基础
文章目录 0 概述 1. 导数的概念 1.1 导数的定义 1.2 导数的本质 2. 偏导数的概念 2.1 偏导数定义 2.2 偏导数的本质 3. 方向导数 3.1 方向导数定义 3.2 方向导数的最大 ...
- 高数复习(2)--方向导数与梯度的理解 附根据梯度求轨迹的基本模型
(非证明,仅供理解) ---------------------------公式----------------------------- 方向导数: 其中 l 是给定的一个射线的方向向量,(cosα ...
- 彻底搞明白梯度下降算法1:方向导数与梯度概念理解
预备知识点:斜率与变化率 方向导数 梯度 总结 1.预备知识点:斜率与变化率 斜率: 数学.几何学名词,是表示一条直线(或曲线的切线)关于横坐标轴倾斜程度的量.它通常用直线(或曲线的切线)与横坐标轴夹 ...
- 对方向导数和梯度的理解
在微积分课程中,我们知道函数在某一点的导数(微商)代表了函数在该点的变化率.微分和积分,它们的定义都是建立在极限的基础上.对于单变量函数f(x),它在x0处导数是:当x趋近于x0时,函数的改变量与自变 ...
- 多元函数(multivariate function)分析(方向导数和梯度)
二阶泰勒展开: f(x)=f(0)+f′Tx+12xTf′′x+o(⋅) f(\mathbf x)=f(0)+ f'^T\mathbf x+\frac12\mathbf x^Tf''\mathbf x ...
- 导数,微分,偏导,全微分,方向导数,梯度
多元函数与一元函数有一个很大的区别在于定义域的不同:一元函数自变量就在x轴上,因此趋近的方向只有某点的左右两侧,因此,考察一元函数极限的时候,仅考虑左邻域和右邻域即可.但是多变量微分变得复杂,趋向方式 ...
- 导数,偏导,方向倒数,梯度
导数: 导数不仅仅表示该点切线的斜率,还反应了函数在该点的变化率. 偏导数: 偏导数仅仅是表示某点在x方向的导数和再y轴方向的导数. 这反应了偏导数的局限性,仅仅是多元函数沿着坐标轴的变化率,但是如上 ...
- 二元隐函数求二阶偏导_在线计算专题(03):具体、抽象函数的导数、微分与方向导数的计算...
导数与微分是微积分内容的基础,就计算来说一元函数与多元函数的导数的计算思想一致. 不管是一元函数还是多元函数,导数.偏导数的计算都是将函数视为求导变量的一元函数求导数.微分在描述形式略有区别,但是其计 ...
最新文章
- Twitch如何实现转码器比FFmepg性能提升65%?(上)
- 雷神开机logo更改_九代酷睿i9加持的性能怪兽 雷神911黑武士Ⅱ评测
- c#自定义事件的使用方法
- CMMI与Agile敏捷开发比较之一:两者的本质区别
- C语言面试题小练——第8天:static的作用、全局变量与局部变量的存储空间、宏定义注意点
- python面板数据模型操作步骤_面板数据模型估计一般要做哪些步骤?
- 编辑器 的保存怎么绑定事件_135编辑器有哪些可以快速提升新媒体小编工作效率的功能?...
- 征服spring源码(一)
- service worker使用
- java编程:假定公鸡5元钱1只,母鸡3元钱1只,小鸡1元钱3只。现在有100元钱要求买100只鸡,请编程列出所有可能的购鸡方案。
- jbX和finss的一些问题
- 关于T—SQL与SQL企业管理器
- 新浪和腾讯微博教程(一)
- html网页多人聊天,html5+js+.Net的即时多人聊天
- 适合编程初学者的开源博客系统(Python版)
- 2015年西安小升初奥数培训班奥数老师(排名排行)龙虎英雄榜
- Java基础 DAY02
- Hadoop相关参数调优
- DVB Project 浅谈
- PMP中文报名操作流程
热门文章
- 关于签名时加密失败错误的解决
- cnpm : 无法加载文件 C:\Users\***\AppData\Roaming\npm\cnpm.ps1,因为在此系统上禁止运行脚本
- chatgpt赋能python:Python如何获取微信聊天记录
- 巨人下半场——记史玉柱校友的创业史
- DedeCms5.7自由列表使用教程
- 爬虫:获取豆瓣电影爱情片榜单封面图片
- 第十一周 项目七:太乐了(泰勒公式)
- Java开发规范及注意事项
- CSS捉迷藏剧本杀情感,五百本剧本杀骨灰玩家剧本推荐——情感沉浸篇
- 作业:会员制营销|Email营销(关于山姆公司的)