概念

多元微分

偏导、梯度与雅可比矩阵把微分推广到多元，隐函数定理保证方程确定隐式函数并可求导。

阅读路径

参考可汗学院 Get ready 机制：先修概念 → 当前概念 → 进阶概念，✓ 表示已读。

多元微分数学分析

01定义

多元微分把导数推广到高维：偏导数沿坐标轴取变化率，梯度汇总为最速上升方向，雅可比矩阵刻画映射的局部线性化。隐函数定理保证方程在适当条件下确定隐式函数。

等高线与梯度：∇f 垂直于等高线并指向增大方向

$D_u f=\nabla f\cdot u$ ：方向导数是梯度在该方向的投影； $|\nabla f|$ 是最大变化率——最优化算法的方向选择依据。

$f(x)\approx f(a)+J_f(a)(x-a)$ ：雅可比矩阵是多元泰勒的一阶项；行列式 $|\det J|$ 是换元积分的体积放大因子。

$F(x,y)=0$ 且 $F_y\neq 0$ 则局部解出 $y=g(x)$ 且 $g'=-F_x/F_y$ ——方程组、流形、约束优化背后的统一定理。

\nabla f=\Bigl(\frac{\partial f}{\partial x_1},\dots,\frac{\partial f}{\partial x_n}\Bigr),\quad D_uf=\nabla f\cdot u

克莱罗与欧拉 18 世纪发展偏导数；柯西给出方向导数概念；隐函数定理的现代形式由 19 世纪分析学派确立，后成为微分拓扑的基石。

梯度下降与反向传播（深度学习的引擎）、物理场论（电场 = 电势梯度的负值）、经济学的比较静态分析。

梯度 ∇f 垂直于等高线移动点：梯度指向 f 增长最快的方向

点 x1.00点 y0.70