偏導數計算機：逐步教學與完整範例解析

什麼是偏導數計算機？什麼時候會需要它？

偏導數計算機會針對多變數函數計算 ∂f/∂x、∂f/∂y 或 ∂f/∂z，在對某個變數微分時，把其餘所有變數都視為固定的常數。符號 ∂（圓體的「d」）用來區分偏導數與一般導數 d/dx，後者只適用於單變數函數。 以 z = f(x, y) = x²y + 3y² 為例。這個曲面的斜率會隨著你移動的方向而不同。∂f/∂x 告訴你：當 y 固定、只沿 x 方向移動時的斜率；∂f/∂y 則告訴你：當 x 固定、只沿 y 方向移動時的斜率。要完整描述曲面在任一點附近的行為，兩者缺一不可——單看其中一個都不夠。 只要某個量取決於兩個以上的獨立變數，你就需要偏導數：金屬板上的熱分布（取決於 x、y 與時間 t）、公司的利潤（取決於價格與廣告支出），或是機器學習的損失函數（同時取決於每一個模型參數）。逐步式的偏導數計算機會明確標示每個階段固定了哪些變數，而這正是學生手算時最常略過的細節。

∂f/∂x 的意思是：對 f 針對 x 微分，並把其他每個變數都當成一個普通的數字。微分的其他規則完全不變。

偏導數計算機是怎麼一步步運算的？

無論你是手算，還是使用逐步式的偏導數計算機，下面的流程都適用於任何多變數函數。請一邊看步驟，一邊跟著這個範例演練：f(x, y) = x³y² + 4xy − y³。求 ∂f/∂x 與 ∂f/∂y，再把兩者代入點 (2, 1) 求值。

多變數函數微分的核心規則

你在單變數微積分學過的每一條規則——冪次法則、乘積律、連鎖律——在偏導數中依然適用。唯一要養成的新習慣，是隨時記住這一輪運算中哪些字母被凍結了。 冪次法則範例：h(x, y) = x⁴y³。∂h/∂x = 4x³y³（y³ 是常數係數）。∂h/∂y = 3x⁴y²（x⁴ 是常數係數）。 乘積律範例：g(x, y) = x²·eʸ。這裡 x 相關的項之間並沒有乘積關係，所以 ∂g/∂x = 2x·eʸ 可以直接寫出。但若是 k(x, y) = x²·ln(x) + y²，求 ∂k/∂x 時就必須對 x²·ln(x) 使用乘積律：令 f = x²、f' = 2x，g = ln(x)、g' = 1/x，得到 2x·ln(x) + x²·(1/x) = 2x·ln(x) + x。因此 ∂k/∂x = 2x·ln(x) + x（y² 這一項因為不含 x 而消失）。至於 ∂k/∂y，x²·ln(x) 對 y 而言完全是常數，所以 ∂k/∂y = 2y。 連鎖律範例：p(x, y) = (3x + 2y)⁵。把 y 視為常數時，外函數是 u⁵，內函數 u = 3x + 2y。∂p/∂x = 5(3x + 2y)⁴ · 3 = 15(3x + 2y)⁴。改把 x 視為常數時，內函數對 y 的導數是 2，所以 ∂p/∂y = 5(3x + 2y)⁴ · 2 = 10(3x + 2y)⁴。 對數範例：m(x, y) = ln(xy)。由對數的乘法律可知 ln(xy) = ln(x) + ln(y)，因此 ∂m/∂x = 1/x、∂m/∂y = 1/y —— 比直接對 ln(xy) 套用連鎖律快得多。

規則本身沒有改變——冪次法則、乘積律與連鎖律通通照舊。改變的只有記帳方式：除了正在微分的那個變數以外，其餘全部凍結。

二階偏導數要怎麼求？

二階偏導數就是把已經微分過一次的函數再微分一次。因為一階偏導數有兩個（∂f/∂x 與 ∂f/∂y），二階偏導數就有四個：∂²f/∂x²（把 ∂f/∂x 再對 x 微分）、∂²f/∂y²（把 ∂f/∂y 再對 y 微分），以及兩個微分順序相反的混合偏導數 ∂²f/∂x∂y 與 ∂²f/∂y∂x。

克萊羅定理：對任何二階偏導數皆連續的函數，∂²f/∂x∂y = ∂²f/∂y∂x。每次計算混合偏導數時，都可以拿它當作免費的正確性檢查。

計算偏導數時的常見錯誤

多變數微積分考試中失分的多數原因，都出自以下這些錯誤。逐步式的偏導數計算機會自動抓出它們，但能自己辨認出來，才是真正建立理解的關鍵。

練習題：偏導數與完整解答

請先自己動手做，再核對解答。題目從基本的冪次法則偏導數，逐步進階到三變數函數，以及指數加對數的綜合挑戰題。做完後可以用偏導數計算機驗證每一題的答案。 第 1 題 —— 冪次法則： 求 f(x, y) = 5x²y³ 的 ∂f/∂x 與 ∂f/∂y。 ∂f/∂x = 10xy³（對 x² 微分，y³ 保留為常數倍數） ∂f/∂y = 15x²y²（對 y³ 微分，5x² 保留為常數倍數）✓ 第 2 題 —— 三角函數連鎖律： 求 f(x, y) = sin(xy) 的 ∂f/∂x 與 ∂f/∂y。 把 xy 視為內函數 u。∂u/∂x = y，所以 ∂f/∂x = y·cos(xy)。 ∂u/∂y = x，所以 ∂f/∂y = x·cos(xy) ✓ 第 3 題 —— 三個變數： 求 f(x, y, z) = x²y + yz³ − 3xz 的 ∂f/∂x、∂f/∂y 與 ∂f/∂z。 ∂f/∂x = 2xy − 3z（含 y 的項保留 y，含 z 的項消失，−3xz 微分後為 −3z） ∂f/∂y = x² + z³（x²y 微分後為 x²，yz³ 微分後為 z³，−3xz 消失） ∂f/∂z = 3yz² − 3x（x²y 消失，yz³ 微分後為 3yz²，−3xz 微分後為 −3x）✓ 第 4 題 —— 把分式寫成次方： 求 f(x, y) = x²/y = x²·y⁻¹ 的 ∂f/∂x 與 ∂f/∂y。 ∂f/∂x = 2x/y（對 x² 用冪次法則，y⁻¹ 是常數倍數） ∂f/∂y = x²·(−1)y⁻² = −x²/y² ✓ 第 5 題 —— 挑戰題，指數加對數： 求 f(x, y) = e^(xy) + x·ln(y) 的 ∂f/∂x 與 ∂f/∂y，再代入 (1, 1) 求值。 ∂f/∂x = y·e^(xy) + ln(y)（對 e^(xy) 用連鎖律得 y·e^(xy)；對 x·ln(y) 針對 x 用乘積律得 ln(y)） ∂f/∂y = x·e^(xy) + x/y（對 e^(xy) 用連鎖律得 x·e^(xy)；對 x·ln(y) 針對 y 用乘積律得 x·(1/y)） 在 (1, 1)：∂f/∂x = 1·e¹ + ln(1) = e + 0 ≈ 2.718 ∂f/∂y = 1·e¹ + 1/1 = e + 1 ≈ 3.718 ✓

偏導數在真實應用中為什麼重要？

偏導數不只是考試題目——它是整個領域背後真正在用的工具。在物理中，熱傳導方程與波動方程都是用對位置與時間的二階偏導數寫成的；∂T/∂t 描述某一點的溫度隨時間如何變化，而 ∂²T/∂x² 描述它在空間中如何彎曲。在經濟學中，若利潤 π 取決於價格 p 與廣告支出 a，則 ∂π/∂p（價格變動帶來的邊際利潤）與 ∂π/∂a（廣告帶來的邊際利潤）能告訴公司該先調整哪一根槓桿。 梯度——由所有一階偏導數組成的向量 ∇f = (∂f/∂x, ∂f/∂y)——指向函數上升最陡的方向，其大小正好等於那個最陡的斜率。這正是機器學習中梯度下降在做的事：一個擁有數千個參數的模型，會計算損失函數對每一個參數的偏導數，再讓每個參數沿著梯度的反方向微幅調整以降低誤差。神經網路每一次「學習」，其實不過就是一口氣計算極大量的偏導數，然後一遍又一遍地重複。 帶有多重限制的最佳化問題——例如在周長固定下讓面積最大，或在既定產量目標下讓成本最小——都是把所有偏導數同時設為零來找出臨界點，核心概念和單變數最佳化完全相同，只是一次擴展到多個方向。

梯度 ∇f = (∂f/∂x, ∂f/∂y) 完全由偏導數構成，它指向 f 增加最快的方向——這正是機器學習中梯度下降的數學基礎。

關於偏導數計算機的常見問題有哪些？