直观理解偏导数、方向导数和法向量和梯度 | 您所在的位置:网站首页 › 向量与法向量平行公式 › 直观理解偏导数、方向导数和法向量和梯度 |
转自:直观理解梯度,以及偏导数、方向导数和法向量等 - shine-lee - 博客园 一、隐函数显函数:解析式中明显地用一个变量的代数式表示另一个变量时,称为显函数。显函数可以用y=f(x)来表示。 隐函数:如果方程F(x,y)=0能确定y是x的函数,那么称这种方式表示的函数是度隐函数。 隐函数与显函数的区别: 1) 隐函数不一定能写为y=f(x)的形式,如x²+y²=0。 2)显函数是用y=f(x)表示的函数,内左边是一个y,右边是x的表达式。比如:y=2x+1。隐函数是x和y都混在一起的,比如2x-y+1=0。 3)有些隐容函数可以表示成显函数,叫做隐函数显化,但也有些隐函数是不能显化的,比如e^y+xy=1。 二、偏导数、方向导数、法向量与梯度 1.偏导数导数是一元函数的变化率(斜率)。导数也是函数,是函数的变化率与位置的关系。 如果是多元函数呢?则为偏导数。 偏导数是多元函数“退化”成一元函数时的导数,这里“退化”的意思是固定其他变量的值,只保留一个变量,依次保留每个变量,则N元函数有N个偏导数。 由上可知,一个变量对应一个坐标轴,偏导数为函数在每个位置处沿着自变量坐标轴方向上的导数(切线斜率)。 2.方向导数如果是方向不是沿着坐标轴方向,而是任意方向呢?则为方向导数。如下图所示,点PP位置处红色箭头方向的方向导数为黑色切线的斜率,来自链接Directional Derivative 方向导数为函数在某一个方向上的导数,具体地,定义xy平面上一点(a,b)以及单位向量 上面推导中使用了链式法则。其中, 该位置处,任意方向的方向导数为偏导数的线性组合,系数为该方向的单位向量。当该方向与坐标轴正方向一致时,方向导数即偏导数,换句话说,偏导数为坐标轴方向上的方向导数,其他方向的方向导数为偏导数的合成。 写成向量形式,偏导数构成的向量为 梯度,写作∇f,二元时为 我们继续上面方向导数的推导,(a,b)(a,b)处θ方向上的方向导数为: 其中,ϕ为∇f(a,b)与 至此,方才有了梯度的几何意义: 当前位置的梯度方向,为函数在该位置处方向导数最大的方向,也是函数值上升最快的方向,反方向为下降最快的方向;当前位置的梯度长度(模),为最大方向导数的值。 4.等高线图中的梯度在讲解各种优化算法时,我们经常看到目标函数的等高线图示意图,如下图所示,来自链接Applet: Gradient and directional derivative on a mountain, 图中,红点为当前位置,红色箭头为梯度,绿色箭头为其他方向,其与梯度的夹角为θ。 将左图中z=f(x,y)曲面上的等高线投影到xy平面,得到右图的等高线图。 梯度与等高线垂直(更准确的说法是梯度和等高线的切线垂直)。为什么呢? 等高线,顾名思义,即这条线上的点高度(函数值)相同,令某一条等高线为z=f(x,y)=C,C为常数,两边同时全微分,如下所示: 这里,两边同时全微分的几何含义是,在当前等高线上挪动任意一个极小单元,等号两侧的变化量相同。f(x,y)的变化量有两个来源,一个由x的变化带来,另一个由y的变化带来,在一阶情况下,由x带来的变化量为 更进一步地,梯度方向指向函数上升最快的方向,在等高线图中,梯度指向高度更高的等高线。 5.隐函数的梯度同理,对于隐函数f(x,y)=0,也可以看成是一条高度为零的等高线。这是二元的情况,两边同时微分,梯度垂直于曲线;多元时,两边同时微分,梯度垂直于高维曲面。 即,隐函数的梯度为其高维曲面的法向量。 有了法向量,切线或切平面也就不难计算得到了。令曲线f(x,y)上一点为(a,b),通过全微分得该点的梯度为( 1.说到这里了,让我们上一道例题看看: 我们要求二维曲面的法向量(注:二维曲面的说明见下),就是求其对应的隐函数的梯度,然后再求切平面方程: 根据梯度跟切平面垂直的性质可知,梯度(2,4,6)跟平面内任一向量(x-1,y-1,z-1)垂直,及内积为零。 根据梯度和法向量方向相同,即平行,可求法线方程。 2.再看一道题:求y=kx+b的法向量。 同样,构造隐函数F(x,y) = kx + b -y 梯度为(k,-1), 故原直线的法向量为(k,-1) 6. n维曲面的定义像 可以这样理解,直角坐标系里点由x y z决定,自由度是3, 但是曲面上的点局限于曲面内,这是一个constraint,所以自由度是2,因而是二维。(可以理解成只要知道x,y就可以知道z,自由度为2) 二维曲面其实不难理解,地球表面就是,只需要两个坐标就可定位,比如现实中的经度和纬度,所以被认为是二维。当然,这里比较容易混淆的就是,我们是在谈地球表面而非地球本身,地球本身当然是三维的。 7.小结至此,文章开篇几个问题的答案就不难得出了, 偏导数构成的向量为梯度;方向导数为梯度在该方向上的合成,系数为该方向的单位向量;梯度方向为方向导数最大的方向,梯度的模为最大的方向导数;微分的结果为梯度与微分向量的内积等高线全微分的结果为0,所以其梯度垂直于等高线,同时指向高度更高的等高线隐函数的梯度为高维曲面(曲线)的法向量 |
CopyRight 2018-2019 实验室设备网 版权所有 |