3.1 为什么要引入方向导数？

在多元函数中，偏导数告诉我们函数沿坐标轴方向（比如 $x$ 轴或 $y$ 轴）的变化率。但实际中，我们常常需要知道函数沿任意给定方向的变化率。例如：

• 在一座山上，你站在某点，想知道沿某个方向爬坡的坡度。
• 在温度场中，想知道沿某个方向温度下降的快慢。

这就需要方向导数的概念。

3.2 方向导数的直观理解

想象一个二元函数 $z=f(x,y)$ 的曲面。在曲面上一点 $P$，我们想沿某个方向（用单位向量 $\mathbf{u}$ 表示）移动一小步，函数值变化了多少？方向导数就是函数在该点沿方向 $\mathbf{u}$ 的瞬时变化率。

类比一元函数的导数：沿 $x$ 轴正方向的变化率就是 $\frac{df}{dx}$。方向导数就是把这个“方向”推广到任意方向。

3.3 方向导数的定义

设二元函数 $z=f(x,y)$ 在点 $P_0(x_0,y_0)$ 的某邻域内有定义。给定一个方向，用从 $P_0$ 出发的射线方向上的单位向量 $\mathbf{u}=(\cos \alpha ,\cos \beta )$ 表示（其中 $\alpha ,\beta$ 是方向与 $x$ 轴、$y$ 轴正向的夹角，且 ${\cos }^2\alpha +{\cos }^2\beta =1$，在三维中还有 $\cos \gamma$）。

在 $P_0$ 处沿方向 $\mathbf{u}$ 取一点 $P(x_0+t\cos \alpha ,y_0+t\cos \beta )$，其中 $t>0$ 是沿方向的位移长度。函数增量 $\Delta f=f(x_0+t\cos \alpha ,y_0+t\cos \beta )-f(x_0,y_0)$。如果极限
$$\underset{t\to 0^{+}}{\lim }\frac{\Delta f}{t}=\underset{t\to 0^{+}}{\lim }\frac{f(x_0+t\cos \alpha ,y_0+t\cos \beta )-f(x_0,y_0)}{t}$$
存在，则称此极限为函数 $f$ 在点 $P_0$ 处沿方向 $\mathbf{u}$ 的方向导数，记作 $\frac{\partial f}{\partial \mathbf{u}}{|}_{P_0}$ 或 $D_{\mathbf{u}}f(P_0)$。

注意：

• 方向导数是变化率，所以 $t$ 趋于 0（就像导数中的 $\Delta x\to 0$）。
• 如果方向取 $x$ 轴正向，$\mathbf{u}=(1,0)$，则方向导数就是 $f_x$；如果取 $y$ 轴正向，就是 $f_y$。但方向可以是任意角度。

3.4 如何计算方向导数？

如果函数 $f(x,y)$ 在点 $P_0$ 处可微（即存在切平面，或者说偏导数连续等），那么方向导数可以通过偏导数方便地计算。

公式：
$$D_{\mathbf{u}}f(x_0,y_0)=f_x(x_0,y_0)\cos \alpha +f_y(x_0,y_0)\cos \beta ,$$
其中 $\cos \alpha ,\cos \beta$ 是方向 $\mathbf{u}$ 的方向余弦。

对于三元函数 $f(x,y,z)$ 沿方向 $\mathbf{u}=(\cos \alpha ,\cos \beta ,\cos \gamma )$：
$$D_{\mathbf{u}}f(x_0,y_0,z_0)=f_x\cos \alpha +f_y\cos \beta +f_z\cos \gamma .$$

这个公式可以理解为：方向导数等于梯度向量与方向向量的点积。梯度 $\nabla f=(f_x,f_y)$，所以
$$D_{\mathbf{u}}f=\nabla f\cdot \mathbf{u}.$$

推导思路：利用全微分，当沿方向移动 $t$ 时，函数增量近似为 $df=f_{x}dx+f_{y}dy$，而 $dx=t\cos \alpha$，$dy=t\cos \beta$，所以 $\Delta f\approx (f_x\cos \alpha +f_y\cos \beta )t$，除以 $t$ 取极限即得。

3.5 例子

例1：求 $f(x,y)=x^2+3xy$ 在点 $P(1,2)$ 处沿方向 $\mathbf{u}=(\frac{1}{\sqrt{2}},\frac{1}{\sqrt{2}})$（即与 $x$ 轴成45°角）的方向导数。

解：

• 先求偏导数：$f_x=2x+3y$，$f_y=3x$。
• 在点 $(1,2)$：$f_x(1,2)=2\cdot 1+3\cdot 2=2+6=8$；$f_y(1,2)=3\cdot 1=3$。
• 方向余弦：$\cos \alpha =\frac{1}{\sqrt{2}}$，$\cos \beta =\frac{1}{\sqrt{2}}$。
• 方向导数：$D_{\mathbf{u}}f=8\cdot \frac{1}{\sqrt{2}}+3\cdot \frac{1}{\sqrt{2}}=\frac{11}{\sqrt{2}}=\frac{11\sqrt{2}}{2}$。

例2：求 $f(x,y,z)=e^{xy}+\sin z$ 在点 $(0,1,\pi /2)$ 处沿方向 $\mathbf{v}=(1,2,2)$ 的方向导数。

解：

• 首先将方向 $\mathbf{v}$ 单位化：$\Vert \mathbf{v}\Vert =\sqrt{1^2+2^2+2^2}=3$，所以单位向量 $\mathbf{u}=(\frac{1}{3},\frac{2}{3},\frac{2}{3})$。
• 偏导数：$f_x=y{e}^{xy}$，$f_y=x{e}^{xy}$，$f_z=\cos z$。
• 在点 $(0,1,\pi /2)$：$f_x=1\cdot e^0=1$，$f_y=0\cdot e^0=0$，$f_z=\cos (\pi /2)=0$。
• 方向导数：$D_{\mathbf{u}}f=1\cdot \frac{1}{3}+0\cdot \frac{2}{3}+0\cdot \frac{2}{3}=\frac{1}{3}$。

3.6 方向导数与梯度的关系

梯度向量 $\nabla f=(f_x,f_y)$ 是一个非常重要的概念，它与方向导数有密切关系：

• 梯度方向是方向导数最大的方向：在所有方向中，沿梯度方向的方向导数最大，且最大值等于梯度的模 $|\nabla f|$。
• 沿梯度相反方向的方向导数最小（负的最大值）。
• 垂直于梯度方向的方向导数为零（函数在该方向变化率为零，即等值线方向）。

解释：方向导数 $D_{\mathbf{u}}f=\nabla f\cdot \mathbf{u}=|\nabla f|\cos \theta$，其中 $\theta$ 是 $\nabla f$ 与 $\mathbf{u}$ 的夹角。显然，当 $\theta =0$（同向）时最大；$\theta =\pi$ 时最小；$\theta =\pi /2$ 时为零。

3.7 几何意义

• 在二元函数中，方向导数表示曲面沿该方向的倾斜程度（斜率）。
• 在等值线（等高线）图中，方向导数的大小反映了垂直等高线方向的陡峭程度。

3.8 方向导数的存在性与可微

需要注意的是，方向导数的定义不要求函数可微，只要极限存在即可。但若函数在某点可微，则沿任何方向的方向导数都存在，且可用梯度点积公式计算。反之，即使所有方向的方向导数都存在，函数也不一定可微（反例存在）。因此，梯度公式是建立在可微条件下的简便计算方法。

3.9 应用

• 最速下降法：在优化问题中，为了最快找到函数的最小值，我们沿着负梯度方向（即方向导数最小的方向）搜索，因为这是函数下降最快的方向。
• 物理中的方向导数：如温度梯度、电势梯度等，方向导数表示沿某方向的变化率。
• 几何中求某方向上的斜率。

上一章 机器学习数学基础–(2)偏导数

下一章 机器学习数学基础–(4)梯度