微积分:如何理解方向导数与梯度?
文章目录
- 前言
- 方向导数
- 梯度
- 方向导数公式的证明
前言
- 前文介绍了多元函数微分的实质,接下来介绍多元函数中的方向导数与梯度,以二元函数为例
方向导数
- 方向导数的实质:自变量沿着xoy平面上的某个方向变化时,f的变化率(一元函数微分)
- 曲面S沿着u = (a, b)方向在(x0, y0, z0)的方向导数,是 作一平面C,C垂直于平面xoy且经过方向向量u所在的直线。C与S的交线(曲线)在(x0, y0, z0)的导数(一元函数微分)
- 请注意,此处沿着u方向,向量u是xoy平面上的单位向量,用于指示自变量的变化方向,而不是三维空间中的向量。由于u是单位向量,故必然存在 θ \theta θ,使得
c o s θ = a , s i n θ = b cos\theta = a, sin\theta = b cosθ=a,sinθ=b
- 易知, θ \theta θ就是向量u和x轴的夹角
- 例如我们熟知的两个偏导数,分别是沿着x轴和y轴的方向导数,即上图中的平面C应当垂直于xoy平面,且经过x轴(y轴)
- 根据上一篇文章对一元函数微分的讨论可知,该方向导数应当是(一元函数微分)
D u f ∣ ( x 0 , y 0 , z o ) = l i m h − > 0 f ( x 0 + h a , y 0 + h b ) − f ( x 0 , y 0 ) h ( ∗ ) D_u f |_{(x0, y0, zo)} = lim_{h->0} \frac{f(x_0 + ha, y_0 + hb) - f(x_0, y_0)}{h}\ \ (*) Duf∣(x0,y0,zo)=limh−>0hf(x0+ha,y0+hb)−f(x0,y0) (∗)
- 可以证明(见文末)
D u f ∣ ( x 0 , y 0 , z o ) = f x ( x 0 , y 0 ) a + f y ( x 0 , y 0 ) b D_u f |_{(x0, y0, zo)} = f_x(x_0, y_0)a + f_y(x_0, y_0)b Duf∣(x0,y0,zo)=fx(x0,y0)a+fy(x0,y0)b
= ( f x ( x 0 , y 0 ) , f y ( x 0 , y 0 ) ) ⋅ ( a , b ) = ∇ f ( x 0 , y 0 ) ⋅ u = (f_x(x_0, y_0), f_y(x_0, y_0)) · (a, b) = \nabla f(x_0, y_0) · u =(fx(x0,y0),fy(x0,y0))⋅(a,b)=∇f(x0,y0)⋅u
- ∇ f \nabla f ∇f是梯度,将在下文介绍
- 这里有几个重要的前提条件,*式成立的前提条件是给定的方向向量u是单位向量。根据上文可以进行如下转换,假设 θ \theta θ是沿着u方向的任意向量u’与x轴的夹角,则
D u ′ f ∣ ( x 0 , y 0 , z o ) = ∇ f ( x 0 , y 0 ) ⋅ ( c o s θ , s i n θ ) D_{u'} f |_{(x0, y0, zo)} = \nabla f(x_0, y_0) · (cos\theta, sin\theta) Du′f∣(x0,y0,zo)=∇f(x0,y0)⋅(cosθ,sinθ)
- 需要注意的是,方向导数是数,因为点乘的结果是实数,但下文可以看到,梯度是个自变量域的向量
梯度
- 定义梯度为向量 ∇ f = ( f x , f y ) \nabla f = (f_x, f_y) ∇f=(fx,fy)
- 在(x0, y0, z0)的梯度的实质是使得z0变化最快(即方向导数的绝对值最大)的自变量的变化方向的方向向量(不一定是单位向量)。梯度用于表明沿着哪个自变量的变化方向函数值变化最快
- 易知,假设u是任一单位方向向量, θ ′ \theta' θ′是向量 ∇ f = ( f x , f y ) \nabla f = (f_x, f_y) ∇f=(fx,fy)与 u = ( c o s θ , s i n θ ) u = (cos\theta, sin\theta) u=(cosθ,sinθ)的夹角
D u f ( x 0 , y 0 ) = ∇ f ( x 0 , y 0 ) ⋅ ( c o s θ , s i n θ ) = ∣ ∇ f ( x 0 , y 0 ) ∣ ∣ ( c o s θ , s i n θ ) ∣ c o s θ ′ D_u f(x_0, y_0) = \nabla f(x_0, y_0) · (cos\theta, sin\theta) = |\nabla f(x_0, y_0) ||(cos\theta, sin\theta) |cos\theta' Duf(x0,y0)=∇f(x0,y0)⋅(cosθ,sinθ)=∣∇f(x0,y0)∣∣(cosθ,sinθ)∣cosθ′
= ∣ ∇ f ( x 0 , y 0 ) ∣ c o s θ ′ = |\nabla f(x_0, y_0)|cos\theta' =∣∇f(x0,y0)∣cosθ′
- 显然,当且仅当两个向量同向时,即自变量的变化方向为梯度向量的方向,方向导数最大,f增长最快,增长率为梯度的模长;反向同理
方向导数公式的证明
微积分:如何理解方向导数与梯度?相关推荐
- 方向导数与梯度的实质理解
https://www.zhihu.com/question/36301367 如何直观形象的理解方向导数与梯度以及它们之间的关系? 微信公众号:matongxue314 我们先来玩一个游戏,假如你在 ...
- 导数,方向导数与梯度的关系
最近做的东西需要用到牛顿法和拟牛顿法,前两天自己在思考导数和梯度之间的关系的的时候,发现竟然不能清晰地表述出来.所以趁此机会再次复习一下.时间有限,这个也不是重点,所以主要对知乎上的一个相同问题中大家 ...
- 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 ...
- 理解偏导数、梯度、方向导数
偏导数 我们都知道导数是一元函数的变化率,衡量每个x位置处的瞬间变化率. 偏导数是针对多变量函数而言的,它通过将多变量函数退化成一元函数分别求各自的导数.以二元函数为例: Z = F(x,y) 求x的 ...
- 【RL数学基础】微积分的基本概念:导数、偏导数、方向导数、梯度
文章目录 1.导数 2.偏导数 3.方向导数 4.梯度 1.导数 导数定义: 反应的是函数 y=f(x)y=f(x)y=f(x) 在某一点处沿着自变量 xxx 的正方向(即: xxx 轴正方向)的变化 ...
- 一阶方向导数与梯度和方向向量的关系及其应用
一.基本概念 1.方向导数(Directional derivative) 方向导数是指在给定点沿着某个方向的导数,表示函数在该方向上的变化率. 具体而言,对于一个向量场 f ( x ...
- 二元函数偏导数公式_多元函数的偏导数、方向导数、梯度以及微分之间的关系思考...
本篇文章,探讨下多元函数微分学下的一些知识点之间的关系.包括全微分.偏导数.方向导数.梯度.全导数等内容. 初学这些知识的时候,学生会明显觉得这些概念不难掌握,而且定义及计算公式也很容易记住,但总觉得 ...
- 高数 | 【概念剖析】多元函数的偏导数、方向导数、梯度以及微分之间的关系
本篇文章,探讨下多元函数微分学下的一些知识点之间的关系.包括全微分.偏导数.方向导数.梯度.全导数等内容. 一.导数和微分到底是什么,以及为什么会有这些概念 导数和微分其实就是数学家创造的两个代数工具 ...
最新文章
- mysql len s.number,mysql内置函数
- 加入域--深入理解DNS在域中作用
- Django框架基础学习
- Ubuntu16.04安装Hadoop+Spark+pyspark大数据python开发环境
- 是不正确的python语句_Python if语句读取不正确
- Linux切换slave,热备服务器中,切换master中切换SQL
- BZOJ2806:[CTSC2012]Cheat
- Confluence 企业服务器正遭攻击
- VBA代码执行过程中,显示程序的运行状态
- CentOS 操作系统初识
- 初学java之家庭记账系统
- 大数据平台的SQL查询引擎有哪些—SparkSQL
- DataGridView 获取当前行数据
- Incorrect string value: ‘\xE4\xBB\x8E\xE5\x85\xA5...‘ for column ‘detail‘ at row 1
- JAVAWEB第五天XML简介及语法
- wordpress原生html5播放器,让WordPress自带html5播放器-视频播放器调用代码详解,支持ios...
- STM32 内核复位 与 系统复位 区别及程序实现
- 孙宇晨真的有道歉吗?逐句解读孙宇晨避重就轻的“致歉信”
- 明日之后无限金条服务器,明日之后:无限金条bug 你值得收藏
- 【原创】机器学习一般流程总结