AI笔记: 数学基础之偏导数与方向导数
多元函数偏导数
- 在一个多变量的函数中,偏导数就是关于其中一个变量的导数而保持其他变量恒定不变。
- 假定二元函数z=f(x,y)z=f(x,y)z=f(x,y), 点(x_0, y_0)是其定义域内的一个点,将y固定在y0y_0y0上,而x在x0x_0x0上增量△x\triangle x△x,
- 相应的函数z有增量△z=f(x0+△x,y0)−f(x0,y0)\triangle z = f(x_0 + \triangle x, y_0) - f(x_0, y_0)△z=f(x0+△x,y0)−f(x0,y0)
- △z\triangle z△z 和 △x\triangle x△x的比值当△x\triangle x△x的值趋近于0的时候,如果极限存在,那么此极限称为函数z=f(x,y)z=f(x,y)z=f(x,y)在x0,y0x_0,y_0x0,y0处对x的偏导数(partial derivative),
- 记为:fx′(x0,y0)f'_x(x_0, y_0)fx′(x0,y0)
- 对x的偏导数:∂f∂x∣x=x0,y=y0\left.\frac{\partial f}{\partial x} \right|_{x=x_0, y=y_0}∂x∂f∣∣∣x=x0,y=y0
- 对y的偏导数:∂f∂y∣x=x0,y=y0\left.\frac{\partial f}{\partial y} \right|_{x=x_0, y=y_0}∂y∂f∣∣∣x=x0,y=y0
三元函数的偏导数
- 对于三元函数u=f(x,y,z)u = f(x,y,z)u=f(x,y,z)可类似求偏导数,定义u在点P0(x0,y0,z0)P_0(x_0, y_0, z_0)P0(x0,y0,z0)分别对x,y,z的偏导数
- fx′(x0,y0,z0)=lim△x→0f(x0+△x,y0,z0)−f(x0,y0,z0)△xf_x'(x_0, y_0, z_0) = \lim_{\triangle x \to 0} \frac{f(x_0 + \triangle x, y_0, z_0) - f(x_0, y_0, z_0)}{\triangle x}fx′(x0,y0,z0)=lim△x→0△xf(x0+△x,y0,z0)−f(x0,y0,z0)
- fy′(x0,y0,z0)=lim△y→0f(x0,y0+△y,z0)−f(x0,y0,z0)△yf_y'(x_0, y_0, z_0) = \lim_{\triangle y \to 0} \frac{f(x_0, y_0 + \triangle y, z_0) - f(x_0, y_0, z_0)}{\triangle y}fy′(x0,y0,z0)=lim△y→0△yf(x0,y0+△y,z0)−f(x0,y0,z0)
- fz′(x0,y0,z0)=lim△z→0f(x0,y0,z0+△x)−f(x0,y0,z0)△zf_z'(x_0, y_0, z_0) = \lim_{\triangle z \to 0} \frac{f(x_0, y_0, z_0 + \triangle x) - f(x_0, y_0, z_0)}{\triangle z}fz′(x0,y0,z0)=lim△z→0△zf(x0,y0,z0+△x)−f(x0,y0,z0)
- 偏导数是多元函数对其中某一个自变量(其余自变量视为常量)的变化率
案例
- 求z=x2+3xy+y2z=x^2 + 3xy + y^2z=x2+3xy+y2在点(1,2)处的偏导数
- 解法1:
- ∂z∂x=2x+3y\frac{\partial z}{\partial x} = 2x + 3y∂x∂z=2x+3y
- ∂z∂y=3x+2y\frac{\partial z}{\partial y} = 3x + 2y∂y∂z=3x+2y
- ∂z∂x∣(1,2)=2∗1+3∗2=8\left.\frac{\partial z}{\partial x} \right|_{(1,2)} = 2*1 + 3*2 = 8∂x∂z∣∣(1,2)=2∗1+3∗2=8
- ∂z∂y∣(1,2)=3∗1+2∗2=7\left.\frac{\partial z}{\partial y} \right|_{(1,2)} = 3*1 + 2*2 = 7∂y∂z∣∣∣(1,2)=3∗1+2∗2=7
- 解法2:
- z∣y=2=x2+6x+4\left. z \right|_{y=2} = x^2 + 6x + 4z∣y=2=x2+6x+4
- ∂z∂x∣(1,2)=(2x+6)∣x=1=8\left. \frac{\partial z}{\partial x} \right|_{(1,2)} = \left. (2x+6) \right|_{x=1} = 8∂x∂z∣∣(1,2)=(2x+6)∣x=1=8
- z∣x=1=1+3y+y2\left. z \right|_{x=1} = 1 + 3y + y^2z∣x=1=1+3y+y2
- ∂z∂y∣(1,2)=(3+2y)∣y=2=7\left. \frac{\partial z}{\partial y} \right|_{(1,2)} = \left. (3+2y) \right|_{y=2} = 7∂y∂z∣∣∣(1,2)=(3+2y)∣y=2=7
高阶偏导数
1 ) 二阶偏导
- 函数z=f(x,y)z=f(x,y)z=f(x,y)的二阶偏导数为:
- 有两大类,四小类
- 纯偏导
- ∂∂x(∂z∂x)=∂2z∂x2=fxx′′=f11′′\frac{\partial}{\partial x} (\frac{\partial z}{\partial x}) = \frac{\partial^2 z}{\partial x^2} = f''_{xx} = f''_{11}∂x∂(∂x∂z)=∂x2∂2z=fxx′′=f11′′
- ∂∂y(∂z∂y)=∂2z∂y2=fyy′′=f22′′\frac{\partial}{\partial y} (\frac{\partial z}{\partial y}) = \frac{\partial^2 z}{\partial y^2} = f''_{yy} = f''_{22}∂y∂(∂y∂z)=∂y2∂2z=fyy′′=f22′′
- 混合偏导
- ∂∂y(∂z∂x)=∂2z∂x∂y=fxy′′=f12′′\frac{\partial}{\partial y} (\frac{\partial z}{\partial x}) = \frac{\partial^2 z}{\partial x \partial y} = f''_{xy} = f''_{12}∂y∂(∂x∂z)=∂x∂y∂2z=fxy′′=f12′′
- ∂∂x(∂z∂y)=∂2z∂y∂x=fyx′′=f21′′\frac{\partial}{\partial x} (\frac{\partial z}{\partial y}) = \frac{\partial^2 z}{\partial y \partial x} = f''_{yx} = f''_{21}∂x∂(∂y∂z)=∂y∂x∂2z=fyx′′=f21′′
- 纯偏导
2 ) 类似可以定义更高阶的偏导数
- z=f(x,y)z=f(x,y)z=f(x,y)关于x的三阶偏导数为:∂3z∂x3=∂∂x(∂2z∂x2)\frac{\partial^3 z}{\partial x^3} = \frac{\partial}{\partial x} (\frac{\partial^2 z}{\partial x^2})∂x3∂3z=∂x∂(∂x2∂2z)
- z=f(x,y)z=f(x,y)z=f(x,y)关于x的n-1阶偏导数,再关于y的一阶偏导数为:∂nz∂xn−1∂y=∂z∂y(∂n−1z∂xn−1)\frac{\partial^n z}{\partial x^{n-1} \partial y} = \frac{\partial z}{\partial y} (\frac{\partial^{n-1}z}{\partial x^{n-1}})∂xn−1∂y∂nz=∂y∂z(∂xn−1∂n−1z)
- 定义:二阶及以上的偏导数统称为高阶偏导数
方向导数
1 ) 向量
- 向量:是指具有n个相互独立的性质(维度)的对象的表示,向量常使用字母+箭头的形式进行表示,也可以使用几何坐标来表示向量, 比如:a⃗=OP⃗=xi⃗+yj⃗+zk⃗\vec{a} = \vec{OP} = x\vec{i} + y\vec{j} + z\vec{k}a=OP=xi+yj+zk, 可以用坐标(i,j,k)表示向量a
- 向量的模:向量的大小,也就是向量的长度,向量坐标到原点的距离,常记为:∣a∣|a|∣a∣
- 单位向量:长度为一个单位(即模为1)的向量叫做单位向量
2 ) 向量的运算
- 设两向量为:a⃗=(x1,y1),b⃗=(x2,y2)\vec{a} = (x_1,y_1), \vec{b} = (x_2, y_2)a=(x1,y1),b=(x2,y2), 并且a和b之间的夹角为: θ\thetaθ
- 数量积:两个向量的数量积(内积、点积)是一个数量/实数,记为:a⃗⋅b⃗\vec{a} · \vec{b}a⋅b
- a⃗⋅b⃗=∣a⃗∣∗∣b⃗∣∗cosθ\vec{a} · \vec{b} = |\vec{a}| * |\vec{b}| * cos \thetaa⋅b=∣a∣∗∣b∣∗cosθ
- 向量积:两个向量的向量积(外积、叉积)是一个向量, 记为:a⃗×b⃗\vec{a} × \vec{b}a×b. 向量积即两个不共线的非零向量所在平面的一组法向量
- ∣a⃗×b⃗∣=∣a⃗∣∗∣b⃗∣∗sinθ|\vec{a} × \vec{b}| = |\vec{a}| * |\vec{b}| * sin \theta∣a×b∣=∣a∣∗∣b∣∗sinθ
- 乘积的模为两个向量平移后组成的平行四边形的面积
- 法向量方向为两个向量所组成平面的垂线方向
- 知道两个向量,就可以求出两个向量的夹角θ\thetaθ
- cosθ=a⃗b⃗∣a⃗∣∣b⃗∣=x1x2+y1y2x12+y12∗x22+y22cos \theta = \frac{\vec{a} \vec{b}}{|\vec{a}||\vec{b}|} = \frac{x_1x_2 + y_1y_2}{\sqrt{x_1^2 + y_1^2} * \sqrt{x_2^2 + y_2^2}}cosθ=∣a∣∣b∣ab=x12+y12∗x22+y22x1x2+y1y2
3 ) 正交向量
- 正交向量:如果两个向量的点积为零,那么称这两个向量互为正交向量,在几何意义上来说,正交向量在二维/三维空间上其实就是两个向量相互垂直
- 如果两个或多个向量,它们的点积均为0,那么它们互相称为正交向量
4 ) 向量的方向角以及方向角的余弦
- 设在一个三维坐标轴下有一个向量a⃗=OA⃗\vec{a} = \vec{OA}a=OA 与x,y,z轴所成的夹角分为α,β,γ\alpha, \beta, \gammaα,β,γ, 这些就是方向角
- cosα=x0∣OA⃗∣cos \alpha = \frac{x_0}{|\vec{OA}|}cosα=∣OA∣x0 ,其中,x0x_0x0 是该向量映射到x轴的长度
- cosβ=y0∣OA⃗∣cos \beta = \frac{y_0}{|\vec{OA}|}cosβ=∣OA∣y0,其中,y0y_0y0 是该向量映射到y轴的长度
- cosγ=z0∣OA⃗∣cos \gamma = \frac{z_0}{|\vec{OA}|}cosγ=∣OA∣z0,其中,z0z_0z0 是该向量映射到z轴的长度
- 可见,cos2α+cos2β+cos2γ=1cos^2 \alpha + cos^2 \beta + cos^2 \gamma = 1cos2α+cos2β+cos2γ=1
5 ) 方向导数
- 定义:若函数f(x,y,z)f(x,y,z)f(x,y,z)在点P(x,y,z)P(x,y,z)P(x,y,z)处沿方向l(方向角为:α,β,γ\alpha, \beta, \gammaα,β,γ), 其中ρ=∣PP′∣\rho = |PP'|ρ=∣PP′∣, 存在下列极限
- limρ→0△fρ=limρ→0f(x+△x,y+△y,z+△z)−f(x,y,z)ρ=∂f∂l\lim_{\rho \to 0} \frac{\triangle f}{\rho} = \lim_{\rho \to 0} \frac{f(x + \triangle x, y + \triangle y, z + \triangle z) - f(x,y,z)}{\rho} = \frac{\partial f}{\partial l}limρ→0ρ△f=limρ→0ρf(x+△x,y+△y,z+△z)−f(x,y,z)=∂l∂f
- 其中,ρ=(△x)2+(△y)2+(△z)2\rho = \sqrt{(\triangle x)^2 + (\triangle y)^2 + (\triangle z)^2}ρ=(△x)2+(△y)2+(△z)2, △x=ρcosα\triangle x = \rho cos \alpha△x=ρcosα, △y=ρcosβ\triangle y = \rho cos \beta△y=ρcosβ, △z=ρcosγ\triangle z = \rho cos \gamma△z=ρcosγ
- 则称 ∂f∂l\frac{\partial f}{\partial l}∂l∂f 为函数在点P处沿方向l的方向导数
AI笔记: 数学基础之偏导数与方向导数相关推荐
- AI笔记: 数学基础之联合概率、条件概率与全概率公式
联合概率 表示两个事件共同发生的概率,事件A和事件B的共同概率记为:P(AB).P(A,B)P(AB).P(A,B)P(AB).P(A,B) 或者P(A∩B)P(A \cap B)P(A∩B), 记为 ...
- AI笔记: 数学基础之函数的导数应用及求导公式
关于导数 导数是数学中非常重要的概念,它能反应出速度变化的快慢,尤其在AI的算法分析,优化以及数据挖掘中用到很多 导数的引出 引例1 变速直线运动的速度 s是距离,t是时间,v是速度 设描述指点运动的 ...
- AI笔记: 数学基础之二项分布与二项式定理
概率试验 1.投掷一个骰子投掷5次 2.某人射击1次,击中目标的概率是0.8, 他射击10次: 3.一个盒子中装有5个球(3红2白),有放回依次从中抽取5个球 4.生产一种零件,出现次品的概率是0.0 ...
- AI笔记: 数学基础之向量组的线性表示与线性相关
向量组 向量组:有限个相同维度的行向量或列向量组合成的一个集合就叫做向量组A 如果是行向量,那么表示为:A=(a1⃗a2⃗a3⃗⋮an⃗⋮)A = \left (\begin{array}{cccc} ...
- AI笔记: 数学基础之正交矩阵与矩阵的QR分解
正交矩阵 若n阶方阵A满足ATA=EA^TA = EATA=E, 则称A为正交矩阵, 简称正交阵 (复数域上称为酉矩阵) A是正交阵的充要条件:A的列(行)向量都是单位向量,且两两正交. 若A为正交矩 ...
- AI笔记: 数学基础之直线、圆和方程
直线 1 ) 表示直线的几种形式 一般式:ax+by+c=0ax + by + c = 0ax+by+c=0 (a,b不能同时为0) 点斜式:y−y1=k(x−x1)y - y_1 = k(x - x ...
- AI笔记: 数学基础之矩阵的初等变换计算矩阵的秩
引例 求解矩阵方程AX=B, 其中 A = ( 2 1 − 3 1 2 − 2 − 1 3 2 ) , B = ( 1 − 1 2 0 − 2 5 ) A =\left (\begin{array}{ ...
- AI笔记: 数学基础之概率与统计
概率 1 )概率与频率 概率是一个稳定的数值,也就是某件事发生或不发生的概率是多少. 频率是在一定数量的某件事情上面,发生的数与总数的比值. 假设事件A的概率是0.3,在100次中发生28次,那么它的 ...
- AI笔记: 数学基础之导数的应用:求极值与最值
穿针引线法 又叫做穿线法或数轴穿根法 函数f(x)=(x−1)(x−2)3(x−3)2(x−4)x∈Rf(x)=(x-1)(x-2)^3(x-3)^2(x-4) \ \ \ x \in Rf(x)=( ...
最新文章
- 解锁新姿势 |如何利用配置中心规范构建PaaS服务配置
- UA MATH567 高维统计专题1 稀疏信号及其恢复6 随机设计矩阵下LASSO的估计误差
- ROS:Nvidia Jetson TK1开发平台
- SAP Fiori Elements - how facet is loaded for my productive POC
- 华为HarmonyOS 鸿蒙,华为鸿蒙HarmonyOS2.0手机开发者Beta版正式发布
- django linux 有时候获取时间不对,关于Django显示时间你应该知道的一些问题
- MsChart5 累计柱状图 分类统计
- Docker学习のDocker初识
- 实验吧-杂项-WTF?(python 01代码转图片)
- 金融数据分析余挖掘实战1.9-1.10补充
- 小游戏策划案例精选_小游戏策划方案.docx
- GCP Marker生成的刺点文件导入Pix4D教程
- 三菱伺服驱动器示例_三菱伺服电机+编码器(伺服控制器)的接线示例
- ddctf再来一杯java,2019DDCTF的一道简单逆向
- Linux使用sendmail邮件监控[运维监控]
- 云盼智能快递柜提供第三方便民服务平台,解决快递业终端服务困境
- windows中关于委派(delegation)的理解
- 800万商户都在抖音开通了企业号建立了私域流量新领地,你还在等什么
- sql 除法中如何防止被除数为0,以及SUM和舍入为指定的小数位数函数
- python-markdown语法