想象一场盛大的双人舞：你（x）与舞伴（y）十指相扣，彼此牵引。你迈一步，她动一步；她旋身，你也随之调整重心。你们之间有一种说不清道不明的“默契”——但若有人问“你每动一分，她会跟动几分”，你却答不上来。因为你们的关系并不像说明书那样清清楚楚，而是藏在繁琐的舞步里。 在数学世界中，这种“藏在方程里的关系”就是隐函数。比如方程 x²+y²=1，它把一个圆上的无数对舞伴“捆绑”在一起，却没有直接告诉你 y 该怎么由 x 算出来。好在，数学家发明了一套“观察舞步”的技巧：不必强行拆开缠在一起的手，而是站在两人中间，感受彼此牵动的规律——这就是隐函数求导。 对 AI 从业者来说，这套技巧是理解约束优化、参数化模型甚至神经网络中“等式约束”的钥匙。它告诉我们：当很多变量互相纠缠、无法轻易解开时，变化率依然可以被精确计算。本文就用这场双人舞贯穿始终，带你一步步学会藏在方程里的求导艺术。

岗位关联

一句话价值：掌握隐函数求导，你就拥有了在变量互相纠缠（约束）时依然能计算梯度、优化模型的能力——这是理解拉格朗日乘子法、支持向量机等 AI 核心算法的关键。

目录
  1. 可视化演示
  2. 隐函数概念
  3. 存在定理
  4. 链式法则求导
  5. 参数方程求导
  6. 极坐标求导
  7. 雅可比行列式
  8. 约束优化应用
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

隐函数概念

比喻引入：显函数 y=f(x) 像单人舞：x 给出节拍，y 立刻响应。而隐函数则像一场双人舞——两个人的动作相互制约，没有一个方向是绝对的主导。你没法简单地写“我做什么，她就做什么”，因为关系被错综复杂的舞步藏了起来。

概念过渡：在数学中，若两个变量 x、y 的关系被一个方程“锁”住，而且你很难（甚至不可能）把 y 单独解成 y=f(x) 的样子，这种关系就叫隐函数。它的标准姿势，是把方程所有项移到同一边，让右边干净地归零。

技术展开：设 F 是一个二元函数，隐函数的通用形式写作：

这里的 F 就像一位裁判，记录着这对舞伴必须遵守的所有规则。例如 x²+y²-1=0 描述了一个单位圆，F=x²+y²-1。你无法用一个统一的 y=f(x) 表达整条圆，只有在局部（上半圆或下半圆）才能勉强分开。这就是“隐”字的含义——关系明明存在，但被方程包裹着。

比喻回扣：记住这个画面：隐函数不是“没有关系”，而是关系被锁在方程里。接下来我们要学的，就是如何在不断开手的情况下，用合法的舞步（求导规则）把变化率从这个锁里“撬”出来。

F(x,y)=0\displaystyle F(x, y) = 0
  1. F 的含义F 是一个把变量关系“打包”起来的函数，例如把圆的方程整理成左边减一的形式。
    F(x,y)=x2+y2−1\displaystyle F(x, y) = x^2 + y^2 - 1
  2. 等式归零隐函数的标准形式是让所有项聚到等号左边，右边保持 0，像天平两端平衡。
    x2+y2−1=0\displaystyle x^2 + y^2 - 1 = 0
  3. 变量纠缠x 与 y 的关系虽然存在，但 y 没有被显式解出，它像藏在方程幕布后面的舞伴。
    y=y(x)（隐式确定）\displaystyle y = y(x) \quad \text{（隐式确定）}

存在定理

比喻引入：并非任何时候，我们都能从一团纠缠的舞步中读出明确的联动规律。想象你的舞伴完全“不回应”——你拉她，她纹丝不动——那么无论怎么观察，你都推断不出下一步的配合。

概念过渡：隐函数存在定理要回答的正是：什么时候、在哪一点附近，这段双人舞的“默契”是真实存在、且唯一确定的？它给了三个条件：曲线经过该点、函数在附近连续可导、以及对 y 的偏导数不为零。

技术展开：设点 (x₀,y₀) 满足 F(x₀,y₀)=0，且 F 在这一点附近有连续的偏导数，若 F_y(x₀,y₀)≠0，那么在 (x₀,y₀) 的某个邻域内，方程唯一确定一个连续可导的隐函数 y=y(x)。用符号表达：

第三个条件 F_y≠0 是灵魂：它保证了“y 方向上有回应”。就像舞伴的手没有脱开，你才能在她的牵引下顺势解开后续舞步。

比喻回扣：只要舞伴的手没脱开（F_y≠0），你就能在这方寸舞池里预测她的每一步。但一旦 F_y=0，就像手突然松开，默契瓦解，一切推断都需要重新审视。

F(x0,y0)=0,Fy(x0,y0)≠0 ⇒ y=y(x) （局部唯一）\displaystyle F(x_0, y_0) = 0,\quad F_y(x_0, y_0) \neq 0 \ \Rightarrow\ y = y(x) \ \text{（局部唯一）}
  1. 过点条件曲线确实经过 (x₀,y₀)，这对舞伴此刻就站在舞池的确定位置上。
    F(x0,y0)=0\displaystyle F(x_0, y_0) = 0
  2. 不脱手条件F 对 y 的偏导数在该点不为零，意味着“y 方向上有反应”，可以解出 y。
    Fy(x0,y0)≠0\displaystyle F_y(x_0, y_0) \neq 0
  3. 局部唯一性在上述条件下，(x₀,y₀) 附近存在唯一确定的隐函数，就像一个局部的小舞池里只有一种合法舞步。
    ∃ y=y(x),x∈(x0−δ,x0+δ)\displaystyle \exists\, y = y(x), \quad x \in (x_0-\delta, x_0+\delta)

链式法则求导

比喻引入：确认默契存在之后，下一个问题是：具体的联动比例怎么算？双人舞中，你的每个动作不仅有“直接影响”，还会通过舞伴的跟随产生“连锁反应”。这个连锁反应，就是链式法则的用武之地。

概念过渡：对 F(x,y)=0 两边同时关于 x 求导。注意，y 不再是独立的旁观者，而是 x 的影子（函数）。对任何含 y 的项求导时，必须额外乘上 dy/dx——这就像舞伴的每个动作，都要经由“她跟着你动”的传导系数来放大。

技术展开：应用链式法则，得到 F_x + F_y·(dy/dx)=0，整理后得到著名的隐函数求导公式：

以圆 x²+y²=1 为例，F_x=2x，F_y=2y，所以 dy/dx=-x/y。在 (0,1) 处斜率为 0（水平切线），在 (1,0) 处斜率趋于无穷（垂直切线），完全符合几何直观。

比喻回扣：这个公式是双人舞的“联动规律”：你自己动多少（F_x），对方配合多少（F_y），两者相除加负号，就是你们每时每刻的真实步幅比。

dydx=−FxFy\displaystyle \frac{dy}{dx} = -\frac{F_x}{F_y}
  1. 两边求导对方程 F(x,y)=0 两侧同时施加 d/dx，如同给舞池中的两位舞者同时喊节拍。
    ddxF(x,y)=0\displaystyle \frac{d}{dx}F(x,y) = 0
  2. 链式法则展开F 既直接依赖 x，又通过 y(x) 间接依赖 x，导数分两路“汇合”到同一个等式。
    Fx+Fy⋅dydx=0\displaystyle F_x + F_y \cdot \frac{dy}{dx} = 0
  3. 解出目标把 dy/dx 看作未知数，从等式中“分离”出来，就像从缠绕的手臂中抽出节奏。
    dydx=−FxFy\displaystyle \frac{dy}{dx} = -\frac{F_x}{F_y}

参数方程求导

比喻引入：如果双人舞节奏太快、动作太纠缠，直接观察 x 与 y 的关系很吃力。这时，我们干脆请出一位“节拍器”——参数 t。x 和 y 不再互相盯着对方，而是各自跟着节拍器的节奏起舞。

概念过渡：用参数 t 分别描述 x 和 y：x=x(t)，y=y(t)。于是“y 对 x 的变化率”被拆成两步：y 对 t 的变化率，除以 x 对 t 的变化率。这是参数方程求导的第一原理。

技术展开：设 x(t)、y(t) 均可导且 dx/dt≠0，则：

二阶导不能直接对 t 求导了事，而要再除以 dx/dt：

就像分析舞步的“加速度”：你要看节拍的变化率本身又变化得多快，再归一化到 x 方向的节拍上。

比喻回扣：有了节拍器，再复杂的舞步也能拆解成清晰的时间序列。你不需要在每一刻强行猜测舞伴的动作，只需盯着节拍，分别记录两人的反应，再相除得到真实的比例。

dydx=dy/dtdx/dt\displaystyle \frac{dy}{dx} = \frac{dy/dt}{dx/dt}
d2ydx2=ddt(dydx)dx/dt\displaystyle \frac{d^2y}{dx^2} = \frac{\frac{d}{dt}\left(\frac{dy}{dx}\right)}{dx/dt}
  1. 引入参数用 t 标记舞步的节拍，x 和 y 各自是 t 的函数。
    x=x(t),y=y(t)\displaystyle x = x(t),\quad y = y(t)
  2. 分别求导x、y 各自对节拍 t 求瞬时变化率。
    dxdt,dydt\displaystyle \frac{dx}{dt},\quad \frac{dy}{dt}
  3. 相除归一y 随 x 的变化率等于“y 的节拍变化”除以“x 的节拍变化”。
    dydx=dy/dtdx/dt\displaystyle \frac{dy}{dx} = \frac{dy/dt}{dx/dt}

极坐标求导

比喻引入：有些舞蹈是围绕舞台中心旋转的。此时，描述舞者位置的最佳语言不是“东三步、北两步”，而是“离柱子多远、转了多少角度”——这就是极坐标的世界。

概念过渡：极坐标用极径 r 和极角 θ 描述点，再通过三角搭桥换回直角坐标：x=r(θ)cosθ，y=r(θ)sinθ。这里 r 是 θ 的函数，曲线在极坐标下有着优雅而简洁的表达。

技术展开：对 x、y 分别关于 θ 求导（注意 r 也是 θ 的函数，要用乘积法则），再相除得到切线斜率：

其中 r'=dr/dθ。若要求弧长，极坐标下的弧长微分满足 ds²=dr²+r²dθ²，这为计算曲线长度提供了桥梁。

比喻回扣：旋转舞台上的舞步，看似与直线舞池不同，但底层逻辑完全一样：只要把“极径随角度的变化率”当作舞伴的旋转反应，一切依然尽在掌控。

dydx=r′(θ)sin⁡θ+r(θ)cos⁡θr′(θ)cos⁡θ−r(θ)sin⁡θ\displaystyle \frac{dy}{dx} = \frac{r'(\theta)\sin\theta + r(\theta)\cos\theta}{r'(\theta)\cos\theta - r(\theta)\sin\theta}
  1. 坐标桥接极坐标通过三角函数连入直角坐标系，r 与 θ 共同决定位置。
    x=r(θ)cos⁡θ,y=r(θ)sin⁡θ\displaystyle x = r(\theta)\cos\theta,\quad y = r(\theta)\sin\theta
  2. 对 θ 求导r 随 θ 变化，求导时要用乘积法则，同时出现 r' 项。
    dxdθ=r′cos⁡θ−rsin⁡θ,dydθ=r′sin⁡θ+rcos⁡θ\displaystyle \frac{dx}{d\theta} = r'\cos\theta - r\sin\theta,\quad \frac{dy}{d\theta} = r'\sin\theta + r\cos\theta
  3. 相除得斜率dy/dx 等于两者之商，整理成上面的公式。
    dydx=r′sin⁡θ+rcos⁡θr′cos⁡θ−rsin⁡θ\displaystyle \frac{dy}{dx} = \frac{r'\sin\theta + r\cos\theta}{r'\cos\theta - r\sin\theta}

雅可比行列式

比喻引入：如果舞池上不止一对舞伴，而是两对（甚至更多）交错舞蹈，我们怎么判断这场群舞是“有序配合”还是“一团乱麻”？雅可比行列式就是这场群舞的“默契检测器”。

概念过渡：当两个方程 F(u,v,x,y)=0 与 G(u,v,x,y)=0 同时约束两个未知函数 u、v 时，我们要判断能否把 u、v 解成 x、y 的函数。把 F、G 对 u、v 的所有偏导数排成一个方阵，这个方阵的行列式就是雅可比行列式。

技术展开：雅可比行列式定义为：

若在某点 det J≠0，则由克莱姆法则可以唯一解出 ∂u/∂x、∂v/∂x，隐函数组在该点局部可解。这就像检测器确认舞伴之间确有可分离的配合关系，而不是互相踩脚。

比喻回扣：当多对舞者共舞时，雅可比行列式就是那位经验丰富的舞台总监——它轻轻一瞥（计算行列式），就知道这场群舞能否继续优雅地跳下去，还是需要重新编排。

det⁡J=∣∂F∂u∂F∂v∂G∂u∂G∂v∣\displaystyle \det J = \begin{vmatrix} \dfrac{\partial F}{\partial u} & \dfrac{\partial F}{\partial v} \\[6pt] \dfrac{\partial G}{\partial u} & \dfrac{\partial G}{\partial v} \end{vmatrix}
  1. 隐函数组两个方程如同两组舞者，各自约束着 u、v 与 x、y 的关系。
    F(u,v,x,y)=0,G(u,v,x,y)=0\displaystyle F(u,v,x,y)=0,\quad G(u,v,x,y)=0
  2. 雅可比矩阵把所有偏导数收集成方阵，它描述了“u、v 方向的微小变化”如何影响 F、G。
    J=(∂F∂u∂F∂v∂G∂u∂G∂v)\displaystyle J = \begin{pmatrix} \dfrac{\partial F}{\partial u} & \dfrac{\partial F}{\partial v} \\[6pt] \dfrac{\partial G}{\partial u} & \dfrac{\partial G}{\partial v} \end{pmatrix}
  3. 行列式非零方阵的“体积缩放因子”不为零，说明方程组在线性层面可逆，隐函数组可解。
    det⁡J≠0\displaystyle \det J \neq 0

约束优化应用

比喻引入：现在想象你要在“保持舞姿标准”的前提下，让自己的动作最优雅。你不能为了“最优”而乱跳，必须在约束允许的范围内找到最佳舞步。这就是“戴着镣铐跳舞”的优化问题。

概念过渡：数学上，这是等式约束优化：最小化目标函数 f(x,y)，同时满足约束 g(x,y)=c。拉格朗日乘子法的思想是：把约束“乘以一个未知系数 λ”后加入目标函数，把约束问题转化为无约束问题。

技术展开：构造拉格朗日函数：

令 L 对所有变量的偏导数为零，得到驻点条件：

在最优解处，目标函数的等高线与约束曲线的切线方向一致——就像你的最优舞步恰好与舞伴的约束轨迹相切，再进一步就会破坏规则。

比喻回扣：在完美的最优舞步里，你不再需要刻意使劲——你的每个动作都与约束自然相切，仿佛自由与纪律达成了和解。这正是拉格朗日乘子法的优雅所在，也是它在机器学习中被广泛使用的根本原因。

L(x,y,λ)=f(x,y)+λ(g(x,y)−c)\displaystyle L(x, y, \lambda) = f(x, y) + \lambda\bigl(g(x, y) - c\bigr)
∇L=0⟺∇f=λ∇g,g(x,y)=c\displaystyle \nabla L = 0 \quad \Longleftrightarrow \quad \nabla f = \lambda \nabla g,\quad g(x,y)=c
  1. 目标与约束要在 g=c 的约束下优化 f，两者共同决定可行舞步的范围。
    min⁡f(x,y)s.t.g(x,y)=c\displaystyle \min f(x,y)\quad \text{s.t.}\quad g(x,y)=c
  2. 构造拉格朗日把约束“缝”进目标，λ 是待定的拉格朗日乘子，像舞伴间默契的“松紧系数”。
    L=f+λ(g−c)\displaystyle L = f + \lambda(g - c)
  3. 驻点条件对所有变量求偏导并令其为零，方程组的解就是候选最优舞步。
    ∇L=0 ⇒ ∇f=λ∇g\displaystyle \nabla L = 0 \ \Rightarrow\ \nabla f = \lambda \nabla g

AI 应用场景

深度学习中的等式约束优化

阶段：模型训练与正则化

解决的问题：训练神经网络时，经常需要对参数施加硬性约束（如权重归一化、L2 范数上界）。传统做法是“惩罚项”软约束，但不保证严格满足；用拉格朗日乘子法则可以把约束严格编码进优化目标，在满足等式约束的前提下最小化损失。

具体案例：在训练一个推荐系统模型时，要求所有嵌入向量的平均能量保持一个常数（g(x)=0），否则模型会退化。工程师构造拉格朗日函数 L=loss+λ(g-0)，用梯度上升更新 λ、梯度下降更新参数，使模型在收敛的同时严格满足约束。SVM 的拉格朗日对偶问题也是同样套路。

机器人运动学中的雅可比分析

阶段：机器人控制与仿真

解决的问题：并联机器人（如六自由度平台）的关节由闭环约束相连，末端速度与关节速度的关系无法直接写出。隐函数求导和雅可比行列式提供了计算速度映射的工具。

具体案例：工程师建立闭环约束方程 F(q,x)=0，其中 q 是关节角、x 是末端位姿。对时间求导得到雅可比矩阵 J·dq/dt=dx/dt。通过检查雅可比行列式是否接近零，可以判断机器人是否处于奇异位形——就像舞台总监判断群舞是否即将“踩脚”。

隐函数在传统机器学习中的应用：拉格朗日乘子法的对偶推导

阶段：算法推导与实现

解决的问题：支持向量机（SVM）的目标是“最大化间隔”，同时满足所有样本的分类约束。直接用原始问题求解很困难，需通过拉格朗日对偶转化为更好解决的形式。

具体案例：数据科学家从拉格朗日函数 L(w,b,λ)=½‖w‖²+Σλᵢ(1-yᵢ(w·xᵢ+b)) 出发，对 w、b 求偏导并令为零，得到对偶问题。整个推导过程到处是隐函数求导与约束优化的影子。

Python 演示

python41 行
import sympy as sp x, y = sp.symbols('x y') # 1. 隐函数 x^2 + y^2 = 4 求 dy/dxF = x**2 + y**2 - 4Fx = sp.diff(F, x)Fy = sp.diff(F, y)dy_dx = -Fx / Fyprint('1) x^2 + y^2 = 4  =>  dy/dx =', sp.simplify(dy_dx)) # 2. 在点 (1, sqrt(3)) 处求切线斜率slope = sp.simplify(dy_dx.subs({x: 1, y: sp.sqrt(3)}))print('   在点 (1, sqrt(3)) 处斜率 =', slope) # 3. 参数方程求导示例: x=cos(t), y=sin(t)t = sp.symbols('t')x_t = sp.cos(t)y_t = sp.sin(t)dx_dt = sp.diff(x_t, t)dy_dt = sp.diff(y_t, t)dy_dx_t = sp.simplify(dy_dt / dx_dt)print('3) 参数方程 cos(t), sin(t)  =>  dy/dx =', dy_dx_t) # 4. 拉格朗日乘子法: min x^2+y^2, 约束 x+y=1lam = sp.symbols('lambda')L = x**2 + y**2 + lam * (x + y - 1)eq1 = sp.diff(L, x)eq2 = sp.diff(L, y)eq3 = sp.diff(L, lam)sol = sp.solve([eq1, eq2, eq3], [x, y, lam], dict=True)print('4) 拉格朗日乘子法解:', sol) # 5. 雅可比行列式判定: F=x-u^2-v, G=y-u+v^2u, v = sp.symbols('u v')Fg = x - u**2 - vGg = y - u + v**2J = sp.Matrix([[sp.diff(Fg, u), sp.diff(Fg, v)],               [sp.diff(Gg, u), sp.diff(Gg, v)]])detJ = sp.det(J)print('5) 雅可比行列式 =', sp.simplify(detJ))
目的：用 SymPy 符号计算库，完整演示隐函数求导、参数方程求导、拉格朗日乘子法求解约束优化，以及雅可比行列式的计算，所有结果均为精确的解析表达式。
  1. F = x**2 + y**2 - 4把隐方程整理成 F=0 的形式，如同把舞步规则收进天平一端。
  2. Fx = sp.diff(F, x)对 x 求偏导，得到 F_x=2x。
  3. dy_dx = -Fx / Fy应用隐函数求导公式 dy/dx=-F_x/F_y。
  4. dy_dx.subs({x: 1, y: sp.sqrt(3)})把具体舞池位置代入，求该点切线的实际斜率。
  5. L = x**2 + y**2 + lam * (x + y - 1)构造拉格朗日函数，把约束“缝”进目标。
  6. sp.solve([eq1, eq2, eq3], [x, y, lam], dict=True)求解偏导方程组，得到最优舞步。
  7. sp.Matrix([[sp.diff(Fg, u), ...], ...])构造雅可比矩阵，把所有偏导数排成方阵。
  8. sp.det(J)计算行列式，检查是否非零，判定隐函数组可解性。

常见误区

误区在 F(x,y)=0 中，对含 y 的项求导时直接把它当成普通变量，比如求 x²+y²=1 时，对 y² 求导只得到 2y。

正解y 是 x 的函数，对 y 的任意表达式求导都必须“过桥”——先对 y 求导，再乘以 dy/dx。就像舞伴的每个动作都带着跟随系数，不能把她当木桩。正确写法是 2y·dy/dx，最终才有 dy/dx=-x/y。

为何常见：初学者习惯了显函数中“y 就是因变量”的写法，一时难以转换到“y 也是 x 的隐函数”的视角，于是把偏导数与全导数混为一谈。

误区既然存在隐函数关系，那只要技巧足够，总能写出 y=f(x) 的显式表达式。

正解绝大多数隐函数根本无法用初等函数显式表达，比如 sin(xy)-e^y+x=0。即便能解，也往往需要分段（如圆的上下半弧），局部表达式完全不同。隐函数求导的优雅之处，恰恰在于不依赖显式解也能算出导数。

为何常见：课本例题大多恰好可解，给学习者造成“总能解出来”的错误印象，忽略了隐函数方法存在的真正意义。

误区把“雅可比矩阵”和“雅可比行列式”当成同一个东西，听到 TensorFlow 里"jacobian"就以为是行列式。

正解雅可比矩阵是所有一阶偏导排成的矩阵，形状未必是方阵；只有对方阵取行列式才是雅可比行列式。判定隐函数组可解用的是“行列式非零”，而对向量函数做反向传播时全程使用的是“矩阵”。

为何常见：英文里 jacobian 两义共用，且许多教程混用术语，导致初学者不清楚“非零”到底是对矩阵还是对行列式说的。

误区算 d²y/dx² 时，对 dy/dx=dy/dt ÷ dx/dt 直接关于 t 再求一次导，然后宣称这就是二阶导。

正解dy/dx 本身是 t 的函数，对它求导得到的是 d/dt(dy/dx)，但它对 x 的变化率还需要再除以 dx/dt。忘了这一步，就像只看节拍器速度却忘了舞者实际前进的步伐宽度。

为何常见：一阶导“两式相除”太容易记住，导致学习者把“关于 t 求导”与“关于 x 求导”混为一谈，忽略了换元要归一化。

误区令拉格朗日函数对所有变量偏导为零，求出的点一定就是全局最优解。

正解∇L=0 只给出驻点（候选点），它可能是极小值、极大值或鞍点，还必须结合边界分析与二阶条件（如 Hessian 矩阵正定性）来确认。就像在舞池里找到一个“站得很稳”的姿势，不代表它是最优雅的姿势。

为何常见：初中数学里“令导数为零求极值”的经验深入人心，但多元约束优化的驻点判定复杂得多，初学者容易照搬旧经验。

面试题

Q1. 对隐函数 F(x,y)=0 求导时，y 应该被视为？

单选题 · easy

  • A.与 x 无关的常数
  • B.独立的中间变量
  • C.关于 x 的函数← 正确答案
  • D.与 x 对称的自变量

答案：C。隐函数中 y 通过方程与 x 绑定，求导时必须把 y 看作 x 的函数，才能正确使用链式法则。把 y 当常数等于斩断了舞伴间的联系，链式法则就无从谈起。

Q2. 隐函数存在定理保证 y=y(x) 在邻域内存在唯一的关键条件是？

单选题 · easy

  • A.F_x(x₀,y₀) 不为零
  • B.F_y(x₀,y₀) 不为零← 正确答案
  • C.F_x(x₀,y₀) 等于零
  • D.F_y(x₀,y₀) 等于零

答案：B。F_y≠0 保证了方程在 y 方向上有“反应”，从而可以局部解出 y=y(x)。F_x 是否为零与可解性没有直接关系。只有舞伴给了足够回应，你才能预判她的舞步。

Q3. 由 x²+y²=1 确定的隐函数，其 dy/dx 等于？

单选题 · easy

  • A.x/y
  • B.-x/y← 正确答案
  • C.-y/x
  • D.y/x

答案：B。F_x=2x，F_y=2y，代入公式 dy/dx=-F_x/F_y=-x/y。A 选项符号错了，C 和 D 则把分子分母颠倒了，在 (1,0) 点附近尤其容易看出错误。

Q4. 参数方程 x=t²，y=t³ 在 t=1 处的切线斜率为？

单选题 · mid

  • A.1/2
  • B.3/2← 正确答案
  • C.2/3
  • D.3/4

答案：B。dx/dt=2t，dy/dt=3t²，所以 dy/dx=(dy/dt)/(dx/dt)=3t/2。代入 t=1 得 3/2。这正是参数方程求导“两式相除归一化”的直接应用。

Q5. 关于隐函数求导，下列说法正确的是？

多选题 · mid

  • A.求导必须用链式法则← 正确答案
  • B.公式为 -F_x/F_y← 正确答案
  • C.F_y≠0 则全局可解
  • D.把 y 视为常数即可

答案：AB。A 对，隐函数求导本质就是链式法则；B 对，这是通用公式；C 错，存在定理只保证局部邻域内可解，不保证全局；D 错，y 必须作为 x 的函数求导，不能当常数。

Q6. 极坐标曲线 r=1+cosθ 在 θ=π/2 处的切线斜率为？

单选题 · mid

  • A.0
  • B.1← 正确答案
  • C.-1
  • D.2

答案：B。r'=-sinθ，代入极坐标求导公式 dy/dx=(r'sinθ+rcosθ)/(r'cosθ-rsinθ)。在 θ=π/2 处 r=1，r'=-1，分子=-1，分母=-1，斜率为 1。这是极坐标桥接公式的标准应用。

Q7. 关于雅可比行列式判定隐函数组可解性，正确的是？

多选题 · mid

  • A.非零是必要条件
  • B.非零可保证局部可解← 正确答案
  • C.非零是充分条件之一← 正确答案
  • D.为零则必然不可解

答案：BC。雅可比行列式不为零是隐函数组在某邻域内可解的充分条件，B 和 C 正确。A 错在“非零”并不是必要条件，因为偏导为零时也可能可解；D 也错，行列式为零只是定理失效，不代表一定不可解。

Q8. 拉格朗日乘子法求解约束优化时，构造的函数形式是？

单选题 · mid

  • A.L = f + λ(g-c)← 正确答案
  • B.L = f × λ(g-c)
  • C.L = f - λg
  • D.L = f × g + λ

答案：A。标准构造是目标函数加上 λ 乘以约束等式的左边（如 g-c）。这样在约束满足时最后一项自动消失，同时把约束“缝”进优化过程。其他三个选项在约束满足时无法还原为目标函数。

Q9. 对 x²+y²=1 求二阶导 d²y/dx²，结果等于？

单选题 · extreme

  • A.-1/y³← 正确答案
  • B.+1/y³
  • C.-x/y³
  • D.+x/y³

答案：A。一阶导 dy/dx=-x/y。对其再次关于 x 求导，用商的求导法则并代入 dy/dx=-x/y，得到 -(y-x·dy/dx)/y²=-(y+x²/y)/y²=-(y²+x²)/y³。由于 x²+y²=1，最终结果为 -1/y³。

Q10. 关于隐函数求导的应用场景，下列说法正确的是？

多选题 · hard

  • A.拉格朗日求偏导组← 正确答案
  • B.归一化约束相关← 正确答案
  • C.参数求导全无关
  • D.行列式判可解← 正确答案

答案：ABD。A 对，拉格朗日乘子法需要求解偏导方程组；B 对，深度学习中的权重归一化等约束与隐函数约束思维密切相关；C 错，参数方程求导与隐函数求导同属求变化率的工具，并非无关；D 对，雅可比行列式正是判定隐函数组可解性的工具。