偏导数计算器：分步指南与实例演算

什么是偏导数计算器？什么时候需要它？

偏导数计算器可以对多元函数求 ∂f/∂x、∂f/∂y 或 ∂f/∂z，求导时把除当前求导变量以外的每一个变量都视为固定的常数。符号 ∂（一个圆体的 'd'）用来把偏导数与普通导数 d/dx 区分开，后者只对单变量函数有意义。 以 z = f(x, y) = x²y + 3y² 为例。这个曲面的斜率会随你移动的方向而不同。∂f/∂x 告诉你：保持 y 不变、沿 x 方向移动时的斜率。∂f/∂y 告诉你：保持 x 不变、沿 y 方向移动时的斜率。要完整描述曲面在某点附近的行为，两者缺一不可——单靠其中任何一个都不够。 只要某个量取决于两个或更多自变量，你就需要偏导数：金属板上的热量分布（取决于 x、y 和时间 t）、一家公司的利润（取决于价格与广告支出），或者机器学习的损失函数（同时取决于每一个模型参数）。分步偏导数计算器会明确显示每一步中哪些变量被当作常数固定住了，而这恰恰是学生手算时最常略过的细节。

∂f/∂x 的含义是：对 f 关于 x 求导，把其他每一个变量都当作普通数字。除此之外，求导的一切规则都不变。

偏导数计算器是如何一步步工作的？

无论你是手算，还是使用分步偏导数计算器，下面的流程对每一个多元函数都适用。请结合这个演算实例逐步跟做：f(x, y) = x³y² + 4xy − y³。求 ∂f/∂x 和 ∂f/∂y，然后在点 (2, 1) 处求值。

多元函数求导的核心法则

你在单变量微积分里学过的每一条法则——幂法则、乘积法则、链式法则——对偏导数依然适用。唯一需要养成的新习惯，是记住每一轮求导中哪些字母被冻结了。 幂法则示例：h(x, y) = x⁴y³。∂h/∂x = 4x³y³（y³ 是常数系数）。∂h/∂y = 3x⁴y²（x⁴ 是常数系数）。 乘积法则示例：g(x, y) = x²·eʸ。这里 x 的各项之间并没有乘积关系，所以直接得 ∂g/∂x = 2x·eʸ。但对于 k(x, y) = x²·ln(x) + y²，求 ∂k/∂x 时就需要对 x²·ln(x) 使用乘积法则：取 f = x²，f' = 2x，g = ln(x)，g' = 1/x，得到 2x·ln(x) + x²·(1/x) = 2x·ln(x) + x。于是 ∂k/∂x = 2x·ln(x) + x（y² 项因不含 x 而消失）。而求 ∂k/∂y 时，x²·ln(x) 关于 y 完全是常数，所以 ∂k/∂y = 2y。 链式法则示例：p(x, y) = (3x + 2y)⁵。把 y 当作常数，外层函数是 u⁵，内层 u = 3x + 2y。∂p/∂x = 5(3x + 2y)⁴ · 3 = 15(3x + 2y)⁴。改为把 x 当作常数，内层关于 y 的导数是 2，所以 ∂p/∂y = 5(3x + 2y)⁴ · 2 = 10(3x + 2y)⁴。 对数示例：m(x, y) = ln(xy)。由对数乘积法则可知 ln(xy) = ln(x) + ln(y)，因此 ∂m/∂x = 1/x，∂m/∂y = 1/y —— 比直接对 ln(xy) 使用链式法则快得多。

法则本身没有变——幂法则、乘积法则和链式法则依然全部适用。变的只是记账方式：把除求导变量之外的每一个变量都冻结住。

如何求二阶偏导数？

二阶偏导数就是对已经求过一次导的函数再求一次导。因为有两个一阶偏导数（∂f/∂x 和 ∂f/∂y），所以共有四个二阶偏导数：∂²f/∂x²（对 ∂f/∂x 再关于 x 求导）、∂²f/∂y²（对 ∂f/∂y 再关于 y 求导），以及两个求导次序相反的混合偏导数 ∂²f/∂x∂y 和 ∂²f/∂y∂x。

克莱罗定理：对于任何二阶偏导数连续的函数，∂²f/∂x∂y = ∂²f/∂y∂x。每次计算混合偏导数时，都可以把它当作一次免费的准确性检查。

计算偏导数时的常见错误

多元微积分考试中的大部分失分都来自下面这些错误。分步偏导数计算器会自动帮你抓出它们，但真正建立理解的，是你自己能够识别它们。

练习题：偏导数及完整解答

先自己尝试每道题，再对照解答。题目由基础的幂法则偏导数，逐步过渡到三元函数以及一道指数与对数结合的挑战题。自己做完之后，可以用偏导数计算器验证每个答案。 题目 1 —— 幂法则： 求 f(x, y) = 5x²y³ 的 ∂f/∂x 和 ∂f/∂y。 ∂f/∂x = 10xy³（对 x² 求导，把 y³ 保留为常数因子） ∂f/∂y = 15x²y²（对 y³ 求导，把 5x² 保留为常数因子）✓ 题目 2 —— 三角函数链式法则： 求 f(x, y) = sin(xy) 的 ∂f/∂x 和 ∂f/∂y。 把 xy 当作内层函数 u。∂u/∂x = y，所以 ∂f/∂x = y·cos(xy)。 ∂u/∂y = x，所以 ∂f/∂y = x·cos(xy) ✓ 题目 3 —— 三个变量： 求 f(x, y, z) = x²y + yz³ − 3xz 的 ∂f/∂x、∂f/∂y 和 ∂f/∂z。 ∂f/∂x = 2xy − 3z（含 y 的项保留 y，含 z 的项消失，−3xz 求导得 −3z） ∂f/∂y = x² + z³（x²y 求导得 x²，yz³ 求导得 z³，−3xz 消失） ∂f/∂z = 3yz² − 3x（x²y 消失，yz³ 求导得 3yz²，−3xz 求导得 −3x）✓ 题目 4 —— 写成幂形式的商： 求 f(x, y) = x²/y = x²·y⁻¹ 的 ∂f/∂x 和 ∂f/∂y。 ∂f/∂x = 2x/y（对 x² 用幂法则，y⁻¹ 是常数因子） ∂f/∂y = x²·(−1)y⁻² = −x²/y² ✓ 题目 5 —— 挑战题，指数加对数： 求 f(x, y) = e^(xy) + x·ln(y) 的 ∂f/∂x 和 ∂f/∂y，然后在 (1, 1) 处求值。 ∂f/∂x = y·e^(xy) + ln(y)（对 e^(xy) 用链式法则得 y·e^(xy)；对 x·ln(y) 关于 x 用乘积法则得 ln(y)） ∂f/∂y = x·e^(xy) + x/y（对 e^(xy) 用链式法则得 x·e^(xy)；对 x·ln(y) 关于 y 用乘积法则得 x·(1/y)） 在 (1, 1) 处：∂f/∂x = 1·e¹ + ln(1) = e + 0 ≈ 2.718 ∂f/∂y = 1·e¹ + 1/1 = e + 1 ≈ 3.718 ✓

偏导数在实际应用中为何重要？

偏导数不只是考试话题——它们是支撑整个学科领域的实用工具。在物理学中，热传导方程和波动方程都是用关于位置和时间的二阶偏导数写出来的；∂T/∂t 描述某一点的温度如何随时间变化，而 ∂²T/∂x² 描述它在空间中如何弯曲。在经济学中，如果利润 π 取决于价格 p 和广告支出 a，那么 ∂π/∂p（价格变动带来的边际利润）与 ∂π/∂a（广告带来的边际利润）就能告诉企业该先调整哪个杠杆。 梯度——由全部一阶偏导数构成的向量 ∇f = (∂f/∂x, ∂f/∂y)——指向函数增长最快的方向，其模长等于该最陡斜率。这正是机器学习中梯度下降所使用的东西：一个拥有成千上万参数的模型，会计算损失函数关于每一个参数的偏导数，再让每个参数沿梯度的反方向微调一点，从而减小误差。神经网络每一次“学习”，本质上都不过是在一遍又一遍地同时计算海量的偏导数。 带多个约束的最优化问题——在周长固定的条件下最大化面积，或在既定产量目标下最小化成本——通过令所有偏导数同时为零来定位临界点，与单变量最优化的核心思想完全一致，只是从一个方向扩展到了多个方向。

梯度 ∇f = (∂f/∂x, ∂f/∂y) 是一个完全由偏导数构成的向量，它指向 f 增长最快的方向——这正是机器学习中梯度下降的数学基础。

关于偏导数计算器的常见问题有哪些？