多變數導數計算機：帶範例的逐步指南
多變數導數計算機幫助您求偏導數、梯度向量、方向導數和二階海森矩陣，用於兩個或更多變數的函數，而無需沿途失蹤每個 x、y 和 z 項。本指南逐步詳細說明這些工具的確切運作方式，並提供完整的數值例題供您手動檢查，所以您理解微積分而不是僅複製結果。
目錄
什麼是多變數導數計算機？
多變數導數計算機是一種計算兩個或更多獨立變數函數導數的工具，例如 f(x, y) 或 g(x, y, z)。與單變數微積分不同，您在其中求一個導數 f′(x)，多變數函數有每個變數的偏導數，加上梯度向量、方向導數和二階導數海森矩陣等組合量。計算機對您要微分的變數之外的所有變數視為常數，應用標準微分規則，並分別或組合成向量或矩陣返回每個結果。
1. 識別變數
列出函數中的每個獨立變數，例如 f(x, y) = x²y + 3xy² − y³ 中的 x 和 y。
2. 選擇導數類型
決定您是否需要單一偏導數、完整梯度、方向導數或海森矩陣。
3. 按變數應用微分規則
將所有其他變數視為常數並根據需要使用冪法則、乘積法則和鏈式法則微分。
多變數微分只是單變數微分一次應用於一個變數。
多變數導數計算機如何計算結果？
多變數導數計算機將輸入表達式解析為符號樹，然後遞歸應用微分規則：冪法則用於像 x³ 的項，乘積法則用於像 xy² 的項，鏈式法則用於像 sin(x²y) 的組合。對於每個要求的變數，在微分期間將所有其他變數視為常數，正如您手動執行的那樣。計算機隨後簡化結果表達式，並且如果給定點，代入數值以返回最終數字或向量。
1. 解析表達式
將輸入函數轉換為操作結構樹（相加、乘法、冪、組合）。
2. 符號微分
逐項應用冪法則、乘積法則、商法則和鏈式法則，保持非目標變數常數。
3. 簡化並求值
合併相似項，然後如果您要求特定點的值，代入數值坐標。
偏導數：多變數微積分的基礎
偏導數測量函數隨著一個變數移動而其他所有變數保持固定時的變化方式。對於 f(x, y)，關於 x 的偏導數寫作 ∂f/∂x，關於 y 的偏導數寫作 ∂f/∂y。這些計算方式完全像普通導數一樣，除了不含目標變數的任何項都視為常數且其導數為零。
1. 凍結其他變數
求 ∂f/∂x 時，將 y（如果存在 z）視為固定數字。
2. 逐項微分
對每個含 x 的項應用冪法則，並放棄不含 x 的項。
3. 對每個變數重複
用相同方式求 ∂f/∂y，這次將 x 視為常數。
如果一項不含您微分所針對的變數，其偏導數為零。
實際例題 1：f(x, y) = x²y + 3xy² − y³ 的偏導數
取函數 f(x, y) = x²y + 3xy² − y³。要求 ∂f/∂x，將 y 視為常數；要求 ∂f/∂y，將 x 視為常數。下面是完整的逐步計算。
1. 關於 x 微分
∂f/∂x：項 x²y 變為 2xy（下降指數 2，y 是常數）；3xy² 變為 3y²（x 的指數為 1）；−y³ 沒有 x，所以變為 0。結果：∂f/∂x = 2xy + 3y²。
2. 關於 y 微分
∂f/∂y：項 x²y 變為 x²（y 的指數為 1，x² 是常數）；3xy² 變為 6xy（下降 2）；−y³ 變為 −3y²。結果：∂f/∂y = x² + 6xy − 3y²。
3. 用數值點檢查
在 (x, y) = (1, 1)：∂f/∂x = 2(1)(1) + 3(1)² = 2 + 3 = 5。∂f/∂y = 1² + 6(1)(1) − 3(1)² = 1 + 6 − 3 = 4。兩個值都與上面的簡化公式相符。
什麼是梯度向量？
函數 f(x, y) 的梯度是向量 ∇f = (∂f/∂x, ∂f/∂y)，指向函數在給定點處增加最快的方向。其大小告訴您該增加有多陡峭。在三個變數中，梯度擴展到 ∇f = (∂f/∂x, ∂f/∂y, ∂f/∂z)。多變數導數計算機通過計算每個偏導數並將其們堆疊成單一向量來構建梯度。
1. 計算每個偏導數
求 ∂f/∂x、∂f/∂y（如果適用則 ∂f/∂z）使用標準規則。
2. 組合向量
按順序將結果寫為 ∇f = (∂f/∂x, ∂f/∂y)。
3. 在某點求值（可選）
代入特定點的坐標以獲得數值向量。
梯度總是指向表面陡峭上升的方向。
實際例題 2：在某點計算梯度
使用相同的函數 f(x, y) = x²y + 3xy² − y³（例題 1），其中 ∂f/∂x = 2xy + 3y² 和 ∂f/∂y = x² + 6xy − 3y²，在點 (2, 1) 求梯度。
1. 在 (2, 1) 求值 ∂f/∂x
∂f/∂x = 2(2)(1) + 3(1)² = 4 + 3 = 7。
2. 在 (2, 1) 求值 ∂f/∂y
∂f/∂y = (2)² + 6(2)(1) − 3(1)² = 4 + 12 − 3 = 13。
3. 寫出梯度向量
∇f(2, 1) = (7, 13)。這意味著函數在該點的增加速度最快的方向是 (7, 13)。
方向導數和點積
方向導數測量函數在特定點按特定方向的變化率，而不僅沿 x 或 y 軸。它計算為 D_u f = ∇f · u，其中 u 是指向感興趣方向的單位向量。因為 u 的長度必須為 1，您在求點積之前需要按其大小除以任何方向向量。
1. 求該點的梯度
在目標點計算 ∇f = (∂f/∂x, ∂f/∂y)。
2. 規範化方向向量
如果方向為 (a, b)，除以其大小 √(a² + b²) 以獲得單位向量 u。
3. 求點積
D_u f = ∇f · u = (∂f/∂x)(u₁) + (∂f/∂y)(u₂)。
梯度方向的方向導數等於梯度的大小，最大可能的增加率。
實際例題 3：給定方向的方向導數
使用例題 2 中的 ∇f(2, 1) = (7, 13)，求 f 在向量 v = (3, 4) 方向上的方向導數。
1. 規範化 v
|v| = √(3² + 4²) = √(9 + 16) = √25 = 5，所以單位向量是 u = (3/5, 4/5)。
2. 應用點積公式
D_u f = ∇f · u = 7(3/5) + 13(4/5) = 21/5 + 52/5 = 73/5。
3. 轉換為小數並檢查
73/5 = 14.6。由於 |∇f| = √(7² + 13²) = √218 ≈ 14.76，且 14.6 < 14.76，結果正確地低於最大可能方向導數。
如何建立和使用海森矩陣？
海森矩陣將函數的所有二階偏導數集合到方形矩陣中，用於將臨界點分類為局部最小值、局部最大值或鞍點。對於 f(x, y)，海森是 H = [[f_xx, f_xy], [f_xy, f_yy]]。在找到梯度為 (0, 0) 的臨界點後，您計算行列式 D = f_xx·f_yy − (f_xy)²。如果 D > 0 且 f_xx > 0，它是局部最小值；如果 D > 0 且 f_xx < 0，它是局部最大值；如果 D < 0，它是鞍點。
1. 求臨界點
設置 ∂f/∂x = 0 且 ∂f/∂y = 0 並同時求解。
2. 計算二階偏導數
求 f_xx、f_yy 和混合偏導數 f_xy。
3. 求值行列式測試
計算 D = f_xx·f_yy − (f_xy)² 並應用符號規則分類該點。
海森行列式測試將單變數二階導數測試擴展到兩個或更多維度。
實際例題 4：用海森分類臨界點
考慮 g(x, y) = x² + y² − 4x − 6y + 13。求臨界點並使用海森矩陣分類。
1. 求臨界點
∂g/∂x = 2x − 4 = 0 → x = 2。∂g/∂y = 2y − 6 = 0 → y = 3。臨界點：(2, 3)。
2. 構建海森
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. 分類並檢查值
由於 D = 4 > 0 且 g_xx = 2 > 0，(2, 3) 是局部最小值。g(2, 3) = 4 + 9 − 8 − 18 + 13 = 0，確認該點最小值為 0。
為什麼多變數導數在科學和工程中重要？
偏導數、梯度和海森出現在任何數量依賴多個變數的地方。在物理中，溫度或壓力場的梯度指向最快增加，這是天氣模型如何追蹤熱流的方式。在經濟學中，利潤函數關於價格和數量的偏導數識別最優生產水平。在機器學習中，梯度下降反覆使用損失函數的梯度向量來更新模型參數，而海森告知優化器是否已到達真正最小值而不是鞍點。
1. 物理和工程
梯度描述多個維度間的熱流、電場和流體速度。
2. 經濟學和優化
偏導數同時在多個變數間定位最大利潤或最小成本。
3. 機器學習
梯度下降和二階優化器直接依賴梯度和海森來訓練模型。
要避免的常見錯誤
最常見的錯誤是忘記將其他變數視為常數，導致微分本應簡單退出的項。第二個常見錯誤是混淆混合偏導數的變數順序，例如計算 ∂²f/∂x∂y 而不是 ∂²f/∂y∂x——對於大多數光滑函數這些相等，但過程中符號錯誤很常見。第三個錯誤是在計算方向導數前忘記規範化方向向量，這會產生按向量原始長度不正確縮放的結果。
1. 雙重檢查哪個變數是常數
微分前，下劃線您要解決的變數，將每個其他符號視為固定數字。
2. 驗證混合偏導數相符
對於此上下文中的大多數函數，∂²f/∂x∂y 應等於 ∂²f/∂y∂x——使用此作為內置檢查。
3. 總是規範化方向向量
在方向導數中用梯度求點積前除以大小。
獲得多變數導數的即時幫助
手動通過偏導數、梯度、方向導數和海森矩陣工作會建立真實理解，但檢查您的工作與做它一樣重要。Solvify 的 AI 工具可以掃描多變數微積分問題、顯示每個微分步驟，並讓您提出後續問題直到邏輯點擊為止。
1. 拍攝或輸入您的函數
輸入或拍照您正在使用的多變數函數。
2. 檢查逐步解決方案
清楚地看到每個偏導數、梯度和任何分類步驟。
3. 提出後續問題
使用 AI 家教澄清任何步驟，例如為什麼混合偏導數應相符或海森測試如何運作。
相關文章
相關數學解題工具
AI 逐步解法器
拍攝任何多變數微積分問題的照片並立即獲得完整解決方案。
Smart Scan
掃描手寫或教科書導數問題，讓 Solvify 自動識別函數。
AI 家教聊天
詢問關於偏導數、梯度或海森的後續問題並獲得即時解釋。