多元导数计算器：分步指南与实例演算
多元导数计算器能帮你求出二元及以上函数的偏导数、梯度向量、方向导数和二阶黑塞矩阵，而不会在过程中漏掉任何一个 x、y 或 z 项。本文将完整讲解这类工具的运作原理，并给出可以手算核对的完整数值实例，让你真正理解答案背后的微积分原理，而不只是照抄结果。
目录
什么是多元导数计算器？
多元导数计算器是一种用于计算含两个或更多自变量函数导数的工具，例如 f(x, y) 或 g(x, y, z)。与单变量微积分只需求出一个导数 f′(x) 不同，多元函数对每个变量都有一个偏导数，此外还有梯度向量、方向导数以及由二阶导数构成的黑塞矩阵等组合量。计算器会把除求导目标变量以外的所有变量视为常数，套用标准求导法则，然后分别输出每个结果，或把它们合并成向量或矩阵。
1. 确定变量
列出函数中的每个自变量，例如 f(x, y) = x²y + 3xy² − y³ 中的 x 和 y。
2. 选择导数类型
确定你需要的是单个偏导数、完整梯度、方向导数，还是黑塞矩阵。
3. 对每个变量套用求导法则
把其他所有变量当作常数，按需使用幂法则、乘积法则和链式法则求导。
多元求导其实就是每次只对一个变量做单变量求导。
多元导数计算器是如何算出结果的？
多元导数计算器会先把输入的表达式解析成一棵符号树，然后递归地套用求导法则：对 x³ 这类项用幂法则，对 xy² 这类项用乘积法则，对 sin(x²y) 这类复合函数用链式法则。对每个指定变量求导时，其余变量都保持为常数，这与手算的做法完全一致。随后计算器会化简所得表达式；如果你给出了具体的点，它还会代入数值，返回最终的数或向量。
1. 解析表达式
把输入的函数转换成由加法、乘法、乘方、复合等运算构成的结构化树。
2. 符号求导
逐项套用幂法则、乘积法则、商法则和链式法则，同时把非目标变量保持为常数。
3. 化简并求值
合并同类项；如果你要求某一具体点处的数值，再把坐标代入。
偏导数：多元微积分的基础
偏导数衡量的是当一个变量变化、其余变量保持不变时函数的变化情况。对 f(x, y) 来说，关于 x 的偏导数记作 ∂f/∂x，关于 y 的偏导数记作 ∂f/∂y。它们的算法和普通导数完全相同，只是任何不含目标变量的项都被视为常数，其导数为零。
1. 固定其他变量
求 ∂f/∂x 时，把 y（如果有 z，还有 z）当作固定的数。
2. 逐项求导
对每个含 x 的项套用幂法则，并去掉不含 x 的项。
3. 对每个变量重复一次
用同样的方法求 ∂f/∂y，这次把 x 当作常数。
如果某一项不含你正在求导的那个变量，它的偏导数就是零。
实例演算 1：f(x, y) = x²y + 3xy² − y³ 的偏导数
以函数 f(x, y) = x²y + 3xy² − y³ 为例。求 ∂f/∂x 时把 y 当作常数；求 ∂f/∂y 时把 x 当作常数。下面是完整的分步计算过程。
1. 对 x 求导
∂f/∂x：x²y 这一项变成 2xy（把指数 2 拿下来，y 是常数）；3xy² 变成 3y²（x 的指数为 1）；−y³ 不含 x，因此变成 0。结果：∂f/∂x = 2xy + 3y²。
2. 对 y 求导
∂f/∂y：x²y 变成 x²（y 的指数为 1，x² 是常数）；3xy² 变成 6xy（把 2 拿下来）；−y³ 变成 −3y²。结果：∂f/∂y = x² + 6xy − 3y²。
3. 用数值点核对
在 (x, y) = (1, 1) 处：∂f/∂x = 2(1)(1) + 3(1)² = 2 + 3 = 5。∂f/∂y = 1² + 6(1)(1) − 3(1)² = 1 + 6 − 3 = 4。两个数值都与上面化简后的公式吻合。
什么是梯度向量？
函数 f(x, y) 的梯度是向量 ∇f = (∂f/∂x, ∂f/∂y)，它指向该点处函数增长最快的方向，其模长则说明这个增长有多陡。在三元情形下，梯度扩展为 ∇f = (∂f/∂x, ∂f/∂y, ∂f/∂z)。多元导数计算器通过计算每一个偏导数并把它们叠成一个向量来构造梯度。
1. 计算每个偏导数
用标准法则求出 ∂f/∂x、∂f/∂y（如有需要还有 ∂f/∂z）。
2. 组装成向量
按顺序写成 ∇f = (∂f/∂x, ∂f/∂y)。
3. 在某点求值（可选）
代入某个具体点的坐标，得到一个数值向量。
梯度始终指向曲面上最陡的上坡方向。
实例演算 2：计算某点处的梯度
沿用实例 1 中的函数 f(x, y) = x²y + 3xy² − y³，已知 ∂f/∂x = 2xy + 3y²、∂f/∂y = x² + 6xy − 3y²，求点 (2, 1) 处的梯度。
1. 在 (2, 1) 处求 ∂f/∂x
∂f/∂x = 2(2)(1) + 3(1)² = 4 + 3 = 7。
2. 在 (2, 1) 处求 ∂f/∂y
∂f/∂y = (2)² + 6(2)(1) − 3(1)² = 4 + 12 − 3 = 13。
3. 写出梯度向量
∇f(2, 1) = (7, 13)。这说明从该点出发，函数沿 (7, 13) 方向增长得最快。
方向导数与点积
方向导数衡量的是函数在某点沿某个特定方向的变化率，而不仅仅是沿 x 轴或 y 轴的变化率。它的计算公式为 D_u f = ∇f · u，其中 u 是指向目标方向的单位向量。由于 u 的长度必须为 1，在做点积之前需要先把任意方向向量除以它的模长。
1. 求出该点处的梯度
在目标点处计算 ∇f = (∂f/∂x, ∂f/∂y)。
2. 将方向向量单位化
若方向为 (a, b)，则除以模长 √(a² + b²) 得到单位向量 u。
3. 做点积
D_u f = ∇f · u = (∂f/∂x)(u₁) + (∂f/∂y)(u₂)。
沿梯度自身方向的方向导数等于梯度的模长，也就是可能达到的最大增长率。
实例演算 3：沿给定方向的方向导数
沿用实例 2 中的 ∇f(2, 1) = (7, 13)，求 f 沿向量 v = (3, 4) 方向的方向导数。
1. 将 v 单位化
|v| = √(3² + 4²) = √(9 + 16) = √25 = 5，因此单位向量为 u = (3/5, 4/5)。
2. 套用点积公式
D_u f = ∇f · u = 7(3/5) + 13(4/5) = 21/5 + 52/5 = 73/5。
3. 化为小数并检验
73/5 = 14.6。因为 |∇f| = √(7² + 13²) = √218 ≈ 14.76，而 14.6 < 14.76，所以结果正确地低于可能的最大方向导数。
如何构造并使用黑塞矩阵？
黑塞矩阵把函数的所有二阶偏导数汇集成一个方阵，用来判定临界点是极小值点、极大值点还是鞍点。对 f(x, y) 而言，黑塞矩阵为 H = [[f_xx, f_xy], [f_xy, f_yy]]。找到满足 ∇f = (0, 0) 的临界点后，计算行列式 D = f_xx·f_yy − (f_xy)²。若 D > 0 且 f_xx > 0，则为极小值点；若 D > 0 且 f_xx < 0，则为极大值点；若 D < 0，则为鞍点。
1. 求出临界点
令 ∂f/∂x = 0 且 ∂f/∂y = 0，联立求解。
2. 计算二阶偏导数
求出 f_xx、f_yy 以及混合偏导数 f_xy。
3. 做行列式判别
计算 D = f_xx·f_yy − (f_xy)²，再按符号规则判定该点的类型。
黑塞矩阵的行列式判别法，就是把单变量的二阶导数判别法推广到二维及更高维。
实例演算 4：用黑塞矩阵判定临界点
考虑 g(x, y) = x² + y² − 4x − 6y + 13。求出它的临界点，并用黑塞矩阵进行判定。
1. 求出临界点
∂g/∂x = 2x − 4 = 0 → x = 2。∂g/∂y = 2y − 6 = 0 → y = 3。临界点：(2, 3)。
2. 构造黑塞矩阵
g_xx = 2，g_yy = 2，g_xy = 0，所以 H = [[2, 0], [0, 2]]。行列式 D = (2)(2) − 0² = 4。
3. 判定并核对数值
由于 D = 4 > 0 且 g_xx = 2 > 0，(2, 3) 是极小值点。g(2, 3) = 4 + 9 − 8 − 18 + 13 = 0，确认该点处的极小值为 0。
多元导数在科学与工程中的意义
只要一个量依赖于多个变量，偏导数、梯度和黑塞矩阵就会出现。在物理学中，温度场或压力场的梯度指向增长最快的方向，气象模型正是据此追踪热流。在经济学中，利润函数对价格和产量的偏导数可以确定最优产出水平。在机器学习中，梯度下降反复利用损失函数的梯度向量来更新模型参数，而黑塞矩阵则能判断优化器到达的究竟是真正的极小值点，还是一个鞍点。
1. 物理与工程
梯度用于描述多维空间中的热流、电场和流体速度。
2. 经济学与最优化
偏导数可以在多个变量上同时定位利润最大值或成本最小值。
3. 机器学习
梯度下降和二阶优化器直接依赖梯度和黑塞矩阵来训练模型。
需要避免的常见错误
最常见的错误是忘了把其他变量当作常数，结果去对本应直接消掉的项求导。第二个常见错误是混淆混合偏导数中变量的次序，比如算成 ∂²f/∂x∂y 而不是 ∂²f/∂y∂x——对大多数光滑函数来说两者相等，但过程中出现符号错误却很常见。第三个错误是在计算方向导数前忘了把方向向量单位化，导致结果被原向量的长度错误地放缩。
1. 反复确认哪个变量是常数
求导前先把目标变量圈出来，并把其余所有符号都当作固定的数。
2. 验证混合偏导数是否一致
在本文这类函数中，∂²f/∂x∂y 应当等于 ∂²f/∂y∂x——把它当作一道自带的检验。
3. 永远记得单位化方向向量
在方向导数中与梯度做点积之前，先除以模长。
立即获得多元导数辅导
亲手推演偏导数、梯度、方向导数和黑塞矩阵能带来真正的理解，但核对答案与动手计算同样重要。Solvify 的 AI 工具可以扫描一道多元微积分题目，展示每一步求导过程，并让你不断追问，直到彻底想通其中的逻辑。
1. 拍照或输入你的函数
输入或拍下你正在处理的多元函数。
2. 查看分步解答
清晰地看到每个偏导数、梯度以及各个判定步骤。
3. 继续追问
用 AI 导师厘清任意一步，比如混合偏导数为何应当相等，或黑塞矩阵判别法的原理。
相关文章
相关数学解题工具
AI 分步解题
拍下任意多元微积分题目，立即获得完整的解题过程。
智能扫描
扫描手写或课本上的求导题目，让 Solvify 自动识别函数。
AI 导师对话
就偏导数、梯度或黑塞矩阵继续追问，即时获得讲解。