方向导数 directional derivative
最近在看花书,其中 4.3 中提到了方向导数
当 α = 0 \alpha = 0 α=0 时, ∂ ∂ α f ( x + α u ) = u T ∇ x f ( x ) \frac{\partial}{\partial \alpha}f(\textbf{x} + \alpha \textbf{u}) = \textbf{u}^T \nabla_xf(\textbf{x}) ∂α∂f(x+αu)=uT∇xf(x) 是怎么得出的?根据全微分
∂ f ( x + α u ) = ∂ f ( x 1 + α u 1 ) ∂ x 1 ⋅ ∂ ( x 1 + α u 1 ) + ⋯ + ∂ f ( x n + α u n ) ∂ x n ⋅ ∂ ( x n + α u n ) ∂ f ( x + α u ) ∂ α = ∂ f ( x 1 + α u 1 ) ∂ x 1 ⋅ ∂ ( x 1 + α u 1 ) ∂ α + ⋯ + ∂ f ( x n + α u n ) ∂ x n ⋅ ∂ ( x n + α u n ) ∂ α = ∂ f ( x 1 + α u 1 ) ∂ x 1 ⋅ u 1 + ⋯ + ∂ f ( x n + α u n ) ∂ x n ⋅ u n lim α → 0 ∂ f ( x + α u ) ∂ α = ∂ f ( x 1 ) ∂ x 1 ⋅ u 1 + ⋯ + ∂ f ( x n ) ∂ x n ⋅ u n = u T ∇ x f ( x ) \partial f(\textbf{x} + \alpha \textbf{u}) = \frac{\partial f(x_1 + \alpha u_1)}{\partial x_1}·\partial(x_1 + \alpha u_1) + \dots + \frac{\partial f(x_n + \alpha u_n)}{\partial x_n}·\partial(x_n + \alpha u_n) \\ \begin{aligned} \frac{\partial f(\textbf{x} + \alpha \textbf{u})}{\partial \alpha} &= \frac{\partial f(x_1 + \alpha u_1)}{\partial x_1}·\frac{\partial(x_1 + \alpha u_1)}{\partial \alpha} + \dots + \frac{\partial f(x_n + \alpha u_n)}{\partial x_n}·\frac{\partial(x_n + \alpha u_n)}{\partial \alpha} \\ &= \frac{\partial f(x_1 + \alpha u_1)}{\partial x_1}·u_1 + \dots + \frac{\partial f(x_n + \alpha u_n)}{\partial x_n}·u_n \end{aligned} \\ \lim_{\alpha \rightarrow 0} \frac{\partial f(\textbf{x} + \alpha \textbf{u})}{\partial \alpha} = \frac{\partial f(x_1)}{\partial x_1}·u_1 + \dots + \frac{\partial f(x_n)}{\partial x_n}·u_n = \textbf{u}^T \nabla_xf(\textbf{x}) ∂f(x+αu)=∂x1∂f(x1+αu1)⋅∂(x1+αu1)+⋯+∂xn∂f(xn+αun)⋅∂(xn+αun)∂α∂f(x+αu)=∂x1∂f(x1+αu1)⋅∂α∂(x1+αu1)+⋯+∂xn∂f(xn+αun)⋅∂α∂(xn+αun)=∂x1∂f(x1+αu1)⋅u1+⋯+∂xn∂f(xn+αun)⋅unα→0lim∂α∂f(x+αu)=∂x1∂f(x1)⋅u1+⋯+∂xn∂f(xn)⋅un=uT∇xf(x)
Reference: https://www.youtube.com/watch?v=-DumtBiW4HE
方向导数 directional derivative相关推荐
- 方向导数(Directional derivatives)
方向导数(Directional Derivatives) 提到方向导数,我们先来回顾一下**导数(Derivative)和偏导数(Partial Derivative)**的几何意义. 导数是二维平 ...
- DG Lecture 2 part 2: points, vectors, directional derivative
directional derivative
- [Machine Learning] 方向导数梯度(Directional Derivative Gradient)
方向导数 首先,我们先来讨论一下函数 y = f ( x 1 , x 2 ) y = f(x_1,x_2) y=f(x1,x2)在一点P沿某一方向的变化率问题. 假设函数 y = f ( x 1 ...
- Using eigenvectors of a vector field for deriving a second directional derivative operator for image
Abstract Introduction Edge Detection In Color Images First derivative approaches Second derivative a ...
- DG Lecture 2 part 1: points, vectors, directional derivative
- 搞懂偏导数、方向导数、梯度、散度、旋度
由于学习多变量微积分和电磁学时没有意识到数学基础的重要性,我对于矢量代数的理解一直不够透彻.近日需要处理一些有关波导的问题,但是我由于一些概念没有搞清楚,在矢量方程的变换上吃了些亏.因此,在此我总结一 ...
- 高等数学(Calculus II)
Table of Contents 多元函数微分法 多元函数 偏导数 全微分 求导法则 多元函数微分学的几何应用 方向导数和梯度 多元函数的极值 二元函数的泰勒公式 重积分 二重积分概念和性质 二重积 ...
- 专题:深度神经网络基本问题的原理详细分析和推导
文章目录 **写在最前面** **1 神经网络算法的直观了解** **1.1 神经网络过程描述**: **1.2 神经网络相关的几个问题** **1.2.1 表征假设和激活函数** **1.2.2 结 ...
- 漫步数学分析三十三——可微的条件
因为雅克比矩阵给出了有效的计算方法,因此我们知道通常的偏导存在就意味着导数DfDf存在.不幸的是这结论在一般情况下是不成立的,例如将f:R2→Rf:R^2\to R 定义为y=0,f(x,y)=x;x ...
最新文章
- 模板库 | 销售管理类报表,邀您提反馈
- Web前端笔记-画布拖动及放缩(two.js)
- 计组之数据运算:12、加法器设计
- 清华大学王媛老师的讲座
- m.2接口和nvme区别_M.2接口硬盘当真速度就快吗?这些不懂就别乱买!今天再说一遍...
- 熊猫分发_熊猫重命名列和索引
- a - 数据结构实验之串一:kmp简单应用_数据结构(C语言版)_笔记_3
- iOS8官方推荐图标和图像尺寸
- 微信小程序 渲染层网络错误_渲染层网络层错误 微信小程序开发 - 云计算资讯 - 服务器之家...
- PHP取出数组中随机一条字符串
- iOS 实现 WiFi 局域网传输文件到 App
- mysql 高并发扣除库存_【并发】mysql处理高并发,防止库存超卖
- [小白向]Python使用request库调用API并获取返回的JSON数据包中的内容
- µTorrent中只使用ipv6连接
- 内地朋友对香港银行开户的需求越发增多!
- 透过赤子城中期财报:看国内社交出海迎来“分水岭”
- [硬件项目] 1、汽车倒车雷达设计——基于API8108A芯片简易智能语音模块的设计与实现...
- 驱动开发入门:WDK与VS2010
- JavaScript简述插件封装
- php mysql购物车实现原理_php购物车原理