多元微积分入门：偏导与梯度
【章首引子】你站在一座山坡上，往北走是缓坡、往东走是绝壁——那"坡度"到底是多少？答案是：得分方向看。东西一个坡度，南北一个坡度。这就是偏导数。而那个"最陡的方向"，就是梯度。AI 训练下山，靠的就是它。
① 是什么：偏导、全微分、梯度
啥多元函数的变化率
偏导 ∂f/∂x：固定 y 不动，只让 x 变，看 z 变多快。口诀：对谁求偏导，别的变量全当死数字。
全微分 dz = (∂f/∂x)dx + (∂f/∂y)dy：x、y 同时动，总变化 = 两方向贡献叠加。梯度 ∇f = (∂f/∂x, ∂f/∂y)：指向"上坡最陡"的方向，长度就是那个最陡坡度。方向导数 D_u f = ∇f·u：沿单位方向 u 走，涨多快。
② 怎么想到的：把多元当一元练
思解题心法
求偏导 = 一元求导：对 x 求时把 y 当常数，剩下和一元一模一样。
证多元微积分入门：偏导与梯度的核心定理与公式
推导思路：①由方向导数与梯度的关系，$D_{u}f=\nabla f\cdot u$，用点积的几何定义展开成 $\|\nabla f\|\,\|u\|\cos\theta$，$\theta$ 是梯度与方向 $u$ 的夹角。②方向导数只在单位方向上讨论，故 $\|u\|=1$，化简为 $D_{u}f=\|\nabla f\|\cos\theta$。③因为 $\cos\theta\leq 1$，当 $\theta=0$（$u$ 与 $\nabla f$ 同向）时取最大值 $\|\nabla f\|$；当 $\theta=\pi$（反向）时取最小值 $-\|\nabla f\|$。④所以上坡最陡方向是 $\nabla f$，下坡最陡方向是 $-\nabla f$，垂直于梯度方向变化率为 $0$（等高线方向）。
直觉把握：梯度是"山坡上最陡的上坡方向"，箭头的长度就是坡有多陡；垂直于梯度的方向是等高线，沿着走高度不变。AI/工程里，梯度下降就是闭着眼沿 $-\nabla L$ 摸黑下山：学习率是步长，步子太大跨过谷底来回震荡，太小则走一万年；而 $|\nabla L|\approx 0$ 的地方就是"走不动了"——那正是驻点。
梯度是向量：把两个偏导竖着排成向量就是 ∇f。
二重积分：把区域 D 切小方块，立小柱子，体积全加起来。直角坐标或极坐标看区域形状选。
③ 完整解法：三个例题
④ 用途与案例
AI 梯度下降
损失函数是几百万参数的多元函数，沿负梯度走一步就是下山，走到最低点。深度学习的命根子。
物理场
温度场梯度指向"最热得最快"的方向；电场、引力场、流体流动方向都由梯度决定。
山坡坡度
地形图上等高线垂直方向就是梯度方向——哪条路上坡最猛，一看便知。
概率密度归一
二维概率密度在全平面二重积分 = 1，是所有联合分布的基本要求。
⑤ 延展
展知识衔接地图
往研究生走：多元 → 向量分析（散度、旋度、格林/高斯/斯托克斯公式）→ 偏微分方程（热传导、波动方程）。往 AI 走：梯度下降、随机梯度下降、Adam 优化器，全是梯度思想的工业化。
求偏导时把另一个变量也跟着求了。对 f=x²y 求 ∂f/∂x，y 是常数，答案 2xy，不是 2xy+x²。
以为梯度指向"下坡"。不——梯度指向上坡最陡；负梯度才是下坡。AI 走的是负梯度。
练习
【基础】f(x,y) = x³y + y²，求 ∂f/∂x。
查看思路与解答
把 y 当常数：∂f/∂x = 3x²y。【进阶】f(x,y) = xy 在点 (2,3) 沿方向 u=(1,0) 的方向导数？
查看思路与解答
∇f = (y, x) = (3, 2)。沿 u=(1,0)：D_u f = 3·1 + 2·0 = 3。就是 ∂f/∂x 在该点的值。① 偏导 = 按住别的变量只看一个；梯度 ∇f 指向上坡最陡。
② 负梯度方向 = AI 下山找最优；方向导数 D_u f = ∇f·u。