想象你周末去爬一座野山。山路弯弯曲曲，你每踩一步，脚底都能告诉你：脚下这块地面是平的，还是向前倾斜？如果继续走，是轻松爬升还是危险下坡？更妙的是，你只需低头看脚边这一小块地，就能判断整条山路在这一瞬间的“脾气”。这座山，就是函数 y=f(x)；你脚下的倾斜程度，就是数学里大名鼎鼎的“导数”。 导数的几何意义，说白了就一句话：曲线在某一点的切线斜率。但这句话背后藏着三段递进的智慧：先让两个点（两只脚）连成一条割线，算出平均坡度；再把两个点无限拉近，割线旋转成切线，平均坡度变成瞬时坡度；最后，这个“脚下坡度”的符号告诉你上坡还是下坡，它的变化快慢告诉你山路是在左弯还是右弯。就连 GPS 手表上的瞬时速度，也不过是“位置—时间”曲线的导数。 这篇文章就用“爬山”这一条主线，带你从切线的直觉，一路走到单调性、极值、凹凸性，最后在山脚下回望物理中的速度。只要你不怕坡，这篇入门课就一定能让你稳稳登顶。

岗位关联

对 AI 从业者而言，导数是一切优化算法的地基——梯度下降的每一步，都在问同一个问题“脚下坡度往哪指”。读懂导数的几何意义，你才真正看懂 PyTorch 里每次 backward() 到底在算什么。

目录
  1. 可视化演示
  2. 导数定义：脚下的坡度
  3. 割线到切线：两只脚变成一只脚
  4. 单调性判断：上坡还是下坡
  5. 极值点判定：山顶与谷底
  6. 凹凸性分析：山路的弯道
  7. 物理意义：GPS 手表上的速度
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

导数定义：脚下的坡度

周末去爬野山，最靠谱的直觉来自脚底。踩到一块石头，你能马上感觉到它往哪边倾斜、倾斜得多厉害：前方若是上坡，重心会被往前带；若是下坡，脚趾会不自觉地抠紧。这个“脚底感知”，就是人对坡度的天然理解。数学家把它精确化，得到的概念就叫导数——曲线在某一点的“脚下坡度”。

把山的轮廓画在坐标系里，就是一条曲线 y=f(x)。你站在横坐标为 x₀ 的位置，曲线在这一点的倾斜程度就是导数 f'(x₀)。它回答一个朴素的问题：当 x 从 x₀ 稍微挪动一丁点，高度 f(x) 会跟着变多少？变化的倍数，就是这一点的导数。如果脚下是平的（导数为零），你多半正站在山顶或谷底；如果脚下很陡（导数绝对值很大），前方的路就有大起大落。

所以导数不关心你爬了多高（函数值是多少），只关心此刻的倾斜（变化率有多大）。就像登山只看脚下，分析函数先看每一点的导数，山势走向瞬间了然。

f′(x0)=lim⁡Δx→0f(x0+Δx)−f(x0)Δx\displaystyle f'(x_0)=\lim_{\Delta x \to 0}\frac{f(x_0+\Delta x)-f(x_0)}{\Delta x}
这个公式把“脚底一瞬间的倾斜”翻译成数学语言：让自变量的微小变化 Δx 无限趋近于 0，看函数值跟着变了多少倍。
  1. 分子之差$f(x_0+\Delta x)-f(x_0)$ 表示自变量从 x₀ 前进 Δx 后，函数值（海拔高度）升高或降低了多少
    f(x0+Δx)−f(x0)\displaystyle f(x_0+\Delta x)-f(x_0)
  2. 平均坡度整个分式 $\dfrac{f(x_0+\Delta x)-f(x_0)}{\Delta x}$ 表示这一段上的平均变化率，也就是两点间连线的斜率
    f(x0+Δx)−f(x0)Δx\displaystyle \frac{f(x_0+\Delta x)-f(x_0)}{\Delta x}
  3. 极限过程$\displaystyle\lim_{\Delta x \to 0}$ 让 Δx 无限逼近 0，平均坡度就浓缩成脚底下那一点的“真实坡度”
    lim⁡Δx→0\displaystyle \lim_{\Delta x \to 0}
  4. 导数符号$f'(x_0)$ 是一个新函数在 x₀ 处的取值，用单个数字刻画曲线在该点的倾斜程度
    f′(x0)\displaystyle f'(x_0)

割线到切线：两只脚变成一只脚

爬山时只凭一只脚感受坡度，其实不够稳。更靠谱的办法是迈出一步，用两只脚的位置落差来估计坡度：落差除以步长，就是这段路的平均坡度。这个“两脚之间的平均坡度”，在数学里叫割线斜率。割线就是一条直线同时穿过曲线上的两个点，它反映的是“一段距离”上的平均倾斜。

当你把第二步越迈越近，两脚几乎要踩到同一块石头时，平均坡度就不再是“这一段路的平均”，而越来越逼近你脚心正下方那一瞬间的真实坡度。在图像上，这个过程就是让割线的两个交点不断靠近，直到重合。割线像绕着一个轴旋转，最终停在一个极限位置上——这个极限位置，就是切线。

回到山路上，割线就像你两脚间拉的那根登山杖，量的是几步路的平均坡度；而切线像你蹲下来用指尖贴住地面，感受的是这一瞬间的精准倾斜。数学里“求导”，就是蹲下来的那个动作。

k=lim⁡x→x0f(x)−f(x0)x−x0,y−y0=f′(x0)(x−x0)\displaystyle k=\lim_{x \to x_0}\frac{f(x)-f(x_0)}{x-x_0}, \qquad y-y_0=f'(x_0)(x-x_0)
割线斜率的极限就是切线斜率，也就是导数；过切点、斜率为导数的直线，就是切线方程。
  1. 割线斜率$\dfrac{f(x)-f(x_0)}{x-x_0}$ 是过点 $(x_0, f(x_0))$ 和 $(x, f(x))$ 两点的割线斜率，等于两脚之间的平均坡度
    f(x)−f(x0)x−x0\displaystyle \frac{f(x)-f(x_0)}{x-x_0}
  2. 右端点逼近让 x 从左边或右边无限靠近 x₀，割线的两个交点逐渐重叠，两脚合一
    x→x0\displaystyle x \to x_0
  3. 极限值即切线斜率割线斜率的极限 k 就是切线的斜率，同时也是导数 $f'(x_0)$
    k=lim⁡x→x0f(x)−f(x0)x−x0=f′(x0)\displaystyle k=\lim_{x \to x_0}\frac{f(x)-f(x_0)}{x-x_0}=f'(x_0)
  4. 切线方程$y-y_0=f'(x_0)(x-x_0)$ 是点斜式直线方程，过切点 $(x_0, y_0)$ 且斜率为 $f'(x_0)$
    y−y0=f′(x0)(x−x0)\displaystyle y-y_0=f'(x_0)(x-x_0)

单调性判断：上坡还是下坡

有了脚下坡度这把尺子，看整座山就简单了。只要你知道当前位置的导数是正是负，就能判断继续往前走是上升还是下降：导数为正，脚下是上坡，函数值在增加；导数为负，脚下是下坡，函数值在减少。这就是导数与单调性的关系——它把“山势走向”翻译成一句话。

实际画函数图像时，我们不可能测量每一点的坡度。常规流程是：先解方程 f'(x)=0 找到所有“脚下水平”的位置，这些位置把定义域切成若干区间；再在每个区间里随便取一个测试点，判断该点的 f' 符号。正号区间就是上坡段（递增），负号区间就是下坡段（递减）。整条曲线的“走势地图”就这样画出来了。

下回在 TensorBoard 里看 loss 曲线，你其实在用这套直觉：曲线斜率为正说明损失在涨，斜率为负说明在降，斜率的正负变化告诉你训练走过了哪段“山路”。

f′(x)>0 ⇒ f(x) 单调递增,f′(x)<0 ⇒ f(x) 单调递减\displaystyle f'(x)>0 \ \Rightarrow \ f(x) \ \text{单调递增}, \qquad f'(x)<0 \ \Rightarrow \ f(x) \ \text{单调递减}
导数符号就是山坡的方向指示牌：正号向上，负号向下，零号是平地。
  1. 导数为正在每个点脚下都朝上坡，走一步函数值就增大一点，图像一路向上
    f′(x)>0\displaystyle f'(x)>0
  2. 导数为负脚下朝下坡，走一步函数值就减小一点，图像一路向下
    f′(x)<0\displaystyle f'(x)<0
  3. 分界点$f'(x)=0$ 的点把数轴切成若干小区间，每个区间内导数符号保持不变
    f′(x)=0\displaystyle f'(x)=0
  4. 画图流程求导 → 找零点 → 按区间判符号 → 写出所有单调区间
    单调区间 ⇒ 递增区间与递减区间交替排列\displaystyle \text{单调区间} \ \Rightarrow \ \text{递增区间与递减区间交替排列}

极值点判定：山顶与谷底

爬到山顶的那一刻，你会有一个奇妙的体验：脚下的地面恰好是平的。上坡的势头在此终结，下坡尚未开始，那一瞬间坡度为零。这就是“极值点导数为零”的直觉来源。山顶（极大值）和谷底（极小值），脚下都是平的，切线都是水平线。

但要注意，“脚下平”不代表你一定站在山顶——你可能只是站在山腰的一段平路上，前后都在上坡。数学里把导数为零的点叫驻点（stationary point，原意就是“站住了”），它只是一个候选名单。要确认是不是极值，必须看驻点左右两侧的导数符号：左侧正、右侧负，就是先上后下，必胜的山顶；左侧负、右侧正，就是先下后上，必是的谷底；两侧同号，那只是平路，什么都不是。

这座“山”在深度学习中无处不在：损失函数就是一个要找到谷底的函数，而梯度下降算法每走一步，都在心里默念极值判定的前半句——“往低了走，直到脚下变平”。

f′(x0)=0 且 f′(x) 在 x0 两侧变号 ⇒ x0 是极值点\displaystyle f'(x_0)=0 \ \text{且} \ f'(x) \ \text{在} \ x_0 \ \text{两侧变号} \ \Rightarrow \ x_0 \ \text{是极值点}
导数为零是必要条件，两侧变号才是充分条件——候选人要“面试”通过（变号）才能当上极值。
  1. 必要条件极值点处切线水平，所以 $f'(x_0)=0$，这是初步筛选的候选名单
    f′(x0)=0\displaystyle f'(x_0)=0
  2. 驻点概念导数为零的点叫驻点，它可能是山顶、谷底，也可能只是山腰平路
    驻点: f′(x0)=0\displaystyle \text{驻点: } f'(x_0)=0
  3. 左右变号驻点左侧 $f'(x)>0$、右侧 $f'(x)<0$ → 先上后下 → 极大值；反之先下后上 → 极小值
    f′(x0−)⋅f′(x0+)<0\displaystyle f'(x_0^-) \cdot f'(x_0^+)<0
  4. 反例提醒$f(x)=x^3$ 在 $x=0$ 处 $f'=0$，但两侧导数同号，函数仍然单调递增，0 不是极值点
    f′(x)=3x2≥0\displaystyle f'(x)=3x^2 \ge 0

凹凸性分析：山路的弯道

爬山时还有一种更细腻的体感：有时你不只知道自己在爬坡，还能感到坡本身越来越陡，或者越来越缓。这个“坡度的坡度”，就是二阶导数。如果说一阶导数是“脚下坡度”，那么二阶导数就是“坡度正在变陡还是变缓”。

二阶导数与凹凸性的对应很直观：f''(x)>0 时，坡度在持续增大，曲线像一个碗口朝上的碗（凹向上，英文 convex，凸函数），此时切线总在曲线下方；f''(x)<0 时，坡度在持续减小，曲线像一个倒扣的碗（凹向下，英文 concave），切线总在曲线上方。注意，中文“凹向上”看的是开口方向，英文 convex 看的是凸起方向，两套说法指的是同一种形状。

在山路上，一阶导告诉你往哪走才能上坡，二阶导告诉你这段路弯得有多急。深度学习里，优化器关心损失函数“弯不弯”——平坦的高原（二阶导接近零）要用大步子试探，陡峭的峡谷（二阶导很大）要小心翼翼，这正是二阶信息在优化算法中的价值。

f′′(x)>0 ⇒ 凹向上（碗状, convex）,f′′(x)<0 ⇒ 凹向下（帽状, concave）\displaystyle f''(x)>0 \ \Rightarrow \ \text{凹向上（碗状, convex）}, \qquad f''(x)<0 \ \Rightarrow \ \text{凹向下（帽状, concave）}
二阶导数的正负决定曲线是碗还是帽，而 f''=0 且两侧变号的位置，就是凹凸性反转的拐点。
  1. 二阶导定义$f''(x)$ 是导数的导数，描述坡度本身随时间变化得快还是慢
    f′′(x)=(f′(x))′\displaystyle f''(x)=(f'(x))'
  2. 正二阶导坡度在增大，曲线像碗口朝上，切线总在曲线下方，函数是凸函数（convex）
    f′′(x)>0⇒凹向上\displaystyle f''(x)>0 \Rightarrow \text{凹向上}
  3. 负二阶导坡度在减小，曲线像倒扣的碗，切线总在曲线上方，函数是凹函数（concave）
    f′′(x)<0⇒凹向下\displaystyle f''(x)<0 \Rightarrow \text{凹向下}
  4. 拐点$f''(x)=0$ 且两侧异号的位置，凹凸性在此反转，山路从“左弯”变成“右弯”
    f′′(x0)=0,f′′(x0−)⋅f′′(x0+)<0\displaystyle f''(x_0)=0, \quad f''(x_0^-)\cdot f''(x_0^+)<0

物理意义：GPS 手表上的速度

爬山时戴上运动手表，屏幕上跳动的“当前速度”，其实是一个导数。它不是你出发以来的平均速度（总路程除以总时间），而是这一瞬间的奔跑快慢——前一秒还停在原地拍照，这一秒开始冲刺，手表上的数字会立刻变化。这个“瞬间快慢”，就是位移对时间的导数。

把时间记为 t，位置记为 s(t)，那么在 t 这一瞬间的速度就是位移曲线的切线斜率。平均速度对应割线斜率，瞬时速度对应切线斜率，物理和几何在这里完全重合。再进一步，速度本身也在变化，速度对时间的导数就是加速度，也就是位移的二阶导数。上山时手表显示速度在增加，说明加速度为正，对应二阶导为正的“碗状加速”。

从山脚到山顶，导数的形象始终如一：一个瞬间的变化率。无论是脚下的坡度、损失的走势、还是手表上的速度，本质上都在问同一件事——此刻，你在以多快的速度改变？

v(t)=s′(t)=lim⁡Δt→0s(t+Δt)−s(t)Δt=dsdt\displaystyle v(t)=s'(t)=\lim_{\Delta t \to 0}\frac{s(t+\Delta t)-s(t)}{\Delta t}=\frac{\mathrm{d}s}{\mathrm{d}t}
瞬时速度 = 位移的瞬时变化率 = 位置—时间曲线的切线斜率，这是导数在物理世界最经典的形象。
  1. 平均速度$\dfrac{s(t+\Delta t)-s(t)}{\Delta t}$ 是时间间隔 Δt 内的平均速度，对应割线斜率
    s(t+Δt)−s(t)Δt\displaystyle \frac{s(t+\Delta t)-s(t)}{\Delta t}
  2. 瞬时化$\Delta t \to 0$ 取极限，平均速度变成瞬时速度，对应 GPS 屏幕上跳动的数字
    lim⁡Δt→0s(t+Δt)−s(t)Δt\displaystyle \lim_{\Delta t \to 0}\frac{s(t+\Delta t)-s(t)}{\Delta t}
  3. 导数记号$s'(t)=\dfrac{\mathrm{d}s}{\mathrm{d}t}$ 中 d 表示“微小变化”，直观读出“位移的微小变化 ÷ 时间的微小变化”
    dsdt\displaystyle \frac{\mathrm{d}s}{\mathrm{d}t}
  4. 加速度$a(t)=v'(t)=s''(t)$，速度的导数是加速度，即位移的二阶导数
    a(t)=s′′(t)\displaystyle a(t)=s''(t)

AI 应用场景

梯度下降：AI 的下山算法

阶段：模型训练（参数优化）

解决的问题：神经网络的损失函数是动辄上百万维的“超大山”，我们要找到山脚（损失最小处）。暴力试参如同闭眼乱走，完全不可行。AI 用导数当登山杖：每到一个参数点，就测量脚下坡度指向哪边、有多陡，然后朝下坡方向迈出一步，这一步的大小就是学习率。

具体案例：训练线性回归时，损失函数 L(w)=(wx−y)² 对参数 w 形成一条抛物线。优化循环里反复执行 w ← w − η·L′(w)，每一步都依据导数的符号（往哪边是下坡）和大小（坡有多陡）修正方向。PyTorch 中 loss.backward() 计算的正是每个参数的偏导数，optimizer.step() 执行的则是“下山那一步”。

优化器中的曲率感知

阶段：模型训练（优化器设计）

解决的问题：只用一阶导（坡度）在平坦区域会像在高原上挪不动脚，在陡峭区域又容易一步跨过头。Adam 等优化器用梯度的二阶矩估计来感知“坡度本身的变化快慢”，类似用二阶导判断这段路是缓坡还是急弯，从而自动调整每一步的幅度。

具体案例：训练 Transformer 大模型时，参数空间既有平坦草原也有陡峭悬崖。Adam 根据每个参数梯度的历史波动自动放大或缩小步幅，本质上就是用类比二阶导的曲率信息，避免在峡谷里震荡或在高原上停滞。

训练曲线监控：读 loss 的“山势”

阶段：模型评估与调试

解决的问题：训练时盯着 loss 曲线的切线斜率：如果斜率为负且绝对值在变小，说明损失在下降但趋于平台；如果斜率为正或剧烈波动，说明学习率太大或模型已经发散。这正是用“导数正负定增减、导数大小定快慢”的单调性知识读曲线。

具体案例：在 TensorBoard 里对比训练集和验证集的 loss 曲线，验证集曲线在某个 epoch 后开始上升（斜率由负转正），而训练集还在下降——这是过拟合的经典信号，该早停了。资深的算法工程师一眼扫过曲线，心里就在做一次“求导判符号”。

Python 演示

python28 行
def numerical_derivative(f, x, h=1e-6):    # 中心差分: 用两侧割线斜率逼近切线斜率, h 越小越精确    return (f(x + h) - f(x - h)) / (2 * h) def tangent_line(f, x0, x):    # 求 f 在 x0 处的切线在任意横坐标 x 上的取值    k = numerical_derivative(f, x0)    return f(x0) + k * (x - x0) def gradient_descent(fprime, start, learning_rate=0.1, steps=30):    # 沿导数反方向迭代, 模拟下山找谷底的完整过程    x = start    for _ in range(steps):        x = x - learning_rate * fprime(x)    return x def fp_quad(x):    # f(x) = x^2 的导数是 2x, 手推出来做对照    return 2 * x if __name__ == "__main__":    f = lambda x: x ** 2    x0 = 1.5    k = numerical_derivative(f, x0)    print("f'(1.5) approx:", k)    print("tangent at x=2.0:", tangent_line(f, x0, 2.0))    x_min = gradient_descent(fp_quad, start=4.0, learning_rate=0.1, steps=30)    print("gradient descent valley x:", x_min)
目的：用中心差分近似求导，计算切线方程，并演示梯度下降如何沿着导数反方向一步步走到抛物线的谷底。
  1. def numerical_derivative(f, x, h=1e-6):把“脚下坡度”封装成一把测量尺：给它函数和位置，返回该点的近似导数
  2. return (f(x + h) - f(x - h)) / (2 * h)中心差分：左右各迈一小步，落差除以步长，h 越小越接近真实切线斜率
  3. k = numerical_derivative(f, x0)在切点 x₀ 处量出坡度 k，这是切线方程的灵魂
  4. return f(x0) + k * (x - x0)点斜式切线方程：过切点、斜率为 k 的直线，对应正文的公式
  5. x = x - learning_rate * fprime(x)梯度下降核心更新式：导数正（上坡）就向左走，导数负（下坡）就向右走，导数绝对值决定步幅
  6. print("gradient descent valley x:", x_min)打印下山终点坐标，验证它从 4.0 一路逼近抛物线的谷底 0

常见误区

误区我以为 f'(x₀) 就是函数在 x₀ 处的取值，比如求 f(x)=x² 在 x=2 的导数，我直接代入算出 4，觉得那就是答案。

正解导数是“变化率”，不是“函数值”。爬山时手表显示的速度不等于你的海拔高度。f'(2)=4 说的是 x 从 2 附近每增加 1 单位，y 大约瞬时增加 4 单位；而 f(2)=4 才是海拔本身。两者数值碰巧相等，纯属巧合，换个函数立刻露馅。

为何常见：记号 f(x) 和 f'(x) 只差一撇，长得太像；加上对 f(x)=x² 在 x=2 处二者数值恰好都是 4，更让人误以为求导就是代值。

误区初中课本说圆的切线“与圆只有一个公共点”，所以我认为任何曲线的切线都只能碰到曲线一次。

正解切线是割线取极限得到的“极限位置”，不是按交点个数定义的。比如 f(x)=x³ 在 x=0 处的切线是 y=0，它与曲线相交于三个点（0 是三重交点）。用交点个数判断切线，在“绕过同一坐标”的曲线面前必然翻车。

为何常见：圆是极度特殊的曲线，初中对“切线”的简化定义深入人心，推广到一般曲线时没有及时更新概念。

误区解出 f'(x)=0 得到 x=0，我就宣布这里是山顶或谷底，直接写进答案。

正解导数为零只说明“脚下水平”，可能是山顶、谷底，也可能只是山腰一段平路。f(x)=x³ 在 x=0 处导数为零，但函数始终递增，0 只是驻点而非极值点。必须检查导数在该点左右两侧是否变号——变号才是极值，不变号就只是路人。

为何常见：课堂上“求极值=求导并令导数为零”的流程被简化记忆，学生漏掉了最关键的验算变号步骤。

误区中文教材说 f''>0 是“凹向上”，英文论文说 convex function，我总觉得这两套说法互相矛盾，做题时来回切换就晕。

正解它们说的是同一个碗：f''>0 的图像像个碗口朝上的碗，中文按“开口方向”叫它凹向上（下凸），英文按“凸起方向”叫它 convex（凸函数）。歧义只来自命名视角不同，形状完全一致。看 AI 论文时，convex function 指的就是 f''≥0 的碗状函数。

为何常见：中文“凹”和“凸”在不同教材里命名口径本就不统一，初学者按字面理解“凹进去”，和英文 convex 对照时自然错位。

误区只要曲线不断开，我就认为每个点都能画切线，所以连续就等于可导。

正解连续只保证曲线不断，但可能“拐了硬弯”。f(x)=|x| 在 x=0 处连续，但那里是个尖点：左边坡度是 -1，右边坡度是 +1，左右导数不相等，切线根本不存在。爬山时，连续代表路没断，可导还要求路是光滑的，不能有折角。

为何常见：中学阶段接触的函数大多平滑可导，很少见到尖点，于是把“可导”和“连续”误当作同一回事。

面试题

Q1. 导数的几何意义是什么？

单选题 · easy

  • A.函数图像与坐标轴的交点
  • B.曲线在某点处切线的斜率← 正确答案
  • C.割线在坐标系中的截距
  • D.函数在整个区间的平均值

答案：B。导数描述曲线在某一点的瞬时倾斜程度，几何上就是该点切线斜率。A 是零点、C 是截距、D 是积分平均，都和“脚下坡度”无关。爬山时导数就是你脚底那一小块地面的倾斜度。

Q2. f(x)=x² 在 x=3 处的导数是？

单选题 · easy

  • A.导数为 3
  • B.导数为 6← 正确答案
  • C.导数为 9
  • D.导数为 0

答案：B。f'(x)=2x，代入 x=3 得 6。用爬山类比：在 x=3 处山坡坡度为 6，即 x 每增加 1 单位，y 大约瞬时增加 6 单位。注意 f(3)=9 才是函数值，别和导数混淆。

Q3. 若 f'(x)>0 对区间 (a,b) 内所有 x 成立，则 f(x) 在该区间上？

单选题 · mid

  • A.函数在该区间单调递减
  • B.函数先单调递增后递减
  • C.函数在该区间单调递增← 正确答案
  • D.函数在该区间恒为常数

答案：C。脚下坡度始终为正，说明一路都是上坡，函数单调递增。递减对应 f'<0，常数对应 f'=0，先增后减则要求导数从正变负。因此只能选 C。

Q4. 关于极值点，下列说法正确的是？

单选题 · mid

  • A.极值点处导数必为零且数值最大
  • B.导数等于零的点一定就是极值点
  • C.导数零且两侧符号发生改变← 正确答案
  • D.极值点一定是区间的端点

答案：C。极值点需满足 f'=0 且两侧导数变号。f(x)=x³ 在 0 处导数为零但非极值，排除 B；极值经常是局部最大而非全局最大，排除 A；极值通常出现在区间内部而非端点，排除 D。故选 C。

Q5. f(x)=|x| 在 x=0 处？

单选题 · mid

  • A.可导且导数恰好为零
  • B.可导但是导数不存在
  • C.连续但是不可导← 正确答案
  • D.既不连续也不可导

答案：C。|x| 在 0 处左右极限都是 0，函数连续；但左导数为 -1、右导数为 +1，左右导数不相等，尖点上无法定义切线。类比爬山：路没断（连续），但有个折角，脚下没有确定的坡度（不可导）。

Q6. 二阶导数 f''(x)<0 表示曲线？

单选题 · mid

  • A.图像凹向上开口朝上
  • B.图像凹向下开口朝下← 正确答案
  • C.函数在该区间单调递增
  • D.曲线存在水平渐近线

答案：B。f''<0 说明坡度在持续减小，曲线像倒扣的碗，凹向下（英文 concave）。凹向上对应 f''>0，单调性只由一阶导符号决定，与凹凸性无关，故选 B。

Q7. 一辆车位移 s(t)=t²，t=2 秒时的瞬时速度是？

单选题 · easy

  • A.2 米每秒
  • B.4 米每秒← 正确答案
  • C.8 米每秒
  • D.无法确定

答案：B。瞬时速度 v(t)=s'(t)=2t，代入 t=2 得 4 m/s。速度就是位移对时间的导数，等价于位置—时间曲线在 t=2 处的切线斜率。GPS 手表上的“当前速度”正是这么算出来的。

Q8. 关于割线和切线的关系，下列说法正确的有？

多选题 · mid

  • A.割线是过曲线上两点的直线← 正确答案
  • B.两点靠近时割线极限是切线← 正确答案
  • C.切线一定只有单一交点
  • D.割线斜率是平均变化率← 正确答案

答案：ABD。割线连接曲线上两点，其斜率就是平均变化率，A、D 正确；让两点无限靠近，割线绕切点旋转，极限位置就是切线，B 正确。C 错误——切线是极限位置，交点个数不是定义，x³ 在 0 处的切线就与曲线交于三点。

Q9. 设 f(x)=x³，下列说法正确的有？

多选题 · hard

  • A.导数为零说明零是极值点
  • B.导数非负函数单调不减← 正确答案
  • C.导数为零的点称为驻点← 正确答案
  • D.二阶导恒正图像总凹向上

答案：BC。f'(x)=3x²≥0，函数在实数域单调不减，B 对；f'(0)=0 但两侧导数同号不变号，0 只是驻点不是极值点，A 错，C 对；f''(x)=6x 在 0 两侧变号，并非恒正，图像凹凸性在 0 处反转，D 错。故选 B、C。

Q10. 关于可导与连续的关系，下列说法正确的有？

多选题 · extreme

  • A.导数表示瞬时变化率大小← 正确答案
  • B.可导的函数一定连续← 正确答案
  • C.连续的函数一定可导
  • D.导数可由割线极限定义← 正确答案

答案：ABD。可导必然连续——光滑的路不会断，B 对；连续不一定可导——|x| 在 0 处连续但尖点无切线，C 错。A 是导数的瞬时变化率定义，D 是割线取极限的标准定义，均正确。故选 A、B、D。