想象你是一位烘焙师，正在调试一块蛋糕的配方。蛋糕的最终口感，由糖、面粉、黄油、鸡蛋等多种原料共同决定。你想知道“糖多加一勺，口感会变多少”——但你不希望其他原料跟着乱动，于是你固定住面粉、黄油和鸡蛋的用量，只调整糖。结果发现：每多加一勺糖，甜度提升约 8%，但超过五勺后，提升开始变慢。这个“只动一个因素、固定其余因素，观察结果变化”的过程，就是偏导数的灵魂。 在 AI 和数据分析的世界里，几乎所有模型都依赖这个概念。神经网络调整参数时，需要知道“改变这个权重，损失函数会怎么变”；气象模拟需要知道“温度升高一点点，气压如何响应”。这些都是偏导数。本文会用烘焙配方这个比喻，带你一步一步理解偏导数的定义、计算、几何意义，以及方向导数和梯度的自然推演。学完以后，你不仅能手算各种偏导数，还能真正理解机器学习中梯度下降的原理。

岗位关联

对 AI 从业者而言，偏导数是梯度下降、反向传播和损失函数优化的数学基石，掌握它能让你真正看懂模型训练过程中“参数如何被更新”。

目录
  1. 可视化演示
  2. 多元函数基础
  3. 偏导数的定义
  4. 几何意义
  5. 计算方法
  6. 高阶偏导数
  7. 全微分与全导数
  8. 方向导数
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示偏导数作为坐标轴方向切线斜率的几何意义、梯度向量与方向导数的关系，以及梯度下降优化过程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

偏导数的几何意义 df/dx：固定y沿x方向切线斜率 df/dy：固定x沿y方向切线斜率 df/dx = lim(h->0) [f(x+h,y)-f(x,y)]/h 偏导数是多元函数沿坐标轴方向的切线斜率

多元函数基础

烘焙师的配方表上，口感并不是由单一原料决定的。糖的用量、面粉的筋度、黄油的温度、烤制的时间……每一样都在为最终味道“投票”。用一个数学表达来说：口感是一个“函数”，它的输入是一串原料用量，输出是一个数字——顾客的满意评分。当输入有多个时，我们就遇到了多元函数。

在数学里，多元函数记作 f(x₁, x₂, ⋯, xₙ)。它把一个多维的输入点映射成一个输出值。最常见的入门对象是二元函数 f(x, y)，输入是平面上的一个点 (x, y)，输出是一个高度 z。就像把糖和面粉两个数塞进配方，得到一个口感评分。例如：

把多个输入塞进配方，输出一个分数——这就是多元函数的基本画面。它与单变量函数的区别就像“一道菜只用盐”与“一道菜用十种调料”的区别：输入变多了，要观察的变化方向也变多了。正因如此，我们需要一个工具，专门回答“只改变其中一种原料时，结果会怎样变化”——这就是偏导数的登场理由。

z=f(x,y)=x2+y2z = f(x, y) = x^2 + y^2
这个函数把平面上的每个点映射为一个“高度”：离原点越远，z 值越大，像一个碗状的山谷。
  1. 输出变量 z这是函数的结果，相当于配方最终得到的口感评分
    zz
  2. 函数规则 f描述“输入如何变成输出”的映射法则，相当于烘焙步骤
    f(⋅,⋅)f(\cdot, \cdot)
  3. 自变量 (x, y)两个独立的输入，相当于糖和面粉的用量，互不绑定
    (x,y)(x, y)
  4. 平方和规则把两个输入分别平方再相加，反映了“每种原料的贡献独立叠加”这一朴素想法
    x2+y2x^2 + y^2

偏导数的定义

烤蛋糕时你问：“糖加一勺，甜度变多少？”但糖一变，你可能不自觉地也想加面粉。要科学测量糖的单独贡献，就得狠狠心——面粉、黄油、鸡蛋一律不动，只让糖变。数学上完全照搬这个动作：在点 (x₀, y₀) 处，我们把 y 死死钉在 y₀，只让 x 从 x₀ 挪动一小步 Δx，看看函数值变化多少，再除以 Δx 得到“平均变化率”，最后让 Δx 无限缩小，得到瞬时变化率。这就是偏导数。

记号上，偏导数写作 ∂f/∂x、f_x 或 fₓ(x₀, y₀)，它们都是一个意思。这个被按住的 y₀ 是整个公式的“隐形主角”——正因为固定了它，我们才能干净地分离出 x 的单独贡献。回到烘焙场景：偏导数就是一份“单一原料敏感性报告”，告诉你配方里每一种原料各自对口感的影响力度。

∂f∂x(x0,y0)=lim⁡Δx→0f(x0+Δx,y0)−f(x0,y0)Δx\frac{\partial f}{\partial x}(x_0, y_0) = \lim_{\Delta x \to 0} \frac{f(x_0 + \Delta x, y_0) - f(x_0, y_0)}{\Delta x}
偏导数 ∂f/∂x 就是“固定 y，只让 x 动”时函数的瞬时变化率，符号 ∂ 专门用来提醒我们“其他变量已被按住不动”。
  1. 分子 f(x₀+Δx, y₀) − f(x₀, y₀)只让 x 移动一步后，函数总的变化量——就像只加一勺糖之后，口感评分的变化
    f(x0+Δx,y0)−f(x0,y0)f(x_0 + \Delta x, y_0) - f(x_0, y_0)
  2. 分母 Δxx 方向移动的步长，一勺糖到底是多少克
    Δx\Delta x
  3. 比值单位 x 变化对应的函数变化，相当于“每克糖带来的甜度提升”
    f(x0+Δx,y0)−f(x0,y0)Δx\frac{f(x_0 + \Delta x, y_0) - f(x_0, y_0)}{\Delta x}
  4. 极限符号 lim让步长趋于无穷小，从“平均变化率”升级为“瞬时变化率”，精确捕捉当下的敏感度
    lim⁡Δx→0\lim_{\Delta x \to 0}

几何意义

把配方的口感分数画成一张三维地形图，x 轴和 y 轴是两种原料的用量，高度是口感评分。现在，固定 y = y₀，相当于用一把竖直的刀，沿着 x 方向把这座“口感山”切了一刀，露出一个截面。截面在 x₀ 处的高度变化趋势，就是一条曲线的坡度。偏导数 ∂f/∂x 的几何意义，正是这条截面曲线在 (x₀, y₀) 处的切线斜率。

这个几何画面很像山路上看“东西向坡度”：同一座山，东西方向可能平缓，南北方向可能陡峭。偏导数 f_x 只看东西向坡度，f_y 只看南北向坡度。所以偏导数不是“整座山的坡度”，而是“沿某个坐标轴方向的坡度”。可视化演示中的红色截面与绿色切线，画的就是这件事——曲线陡峭处切线斜率高，平坦处切线几乎水平。

∂f∂x∣(x0,y0)=tan⁡α\left. \frac{\partial f}{\partial x} \right|_{(x_0, y_0)} = \tan \alpha
其中 α 是截面曲线在切点处的切线与 x 轴正向的夹角。坡度越陡，tan α 越大，偏导数的绝对值就越大。
  1. 竖直切面 y = y₀用平面 xOz 方向的刀切曲面，露出曲线
    y=y0y = y_0
  2. 截面曲线曲面上满足 y = y₀ 的点连成的曲线，反映“仅 x 贡献的高度变化”
    f(x,y0)f(x, y_0)
  3. 切线斜率 tan α该曲线在 x₀ 处的瞬时坡度，对应偏导数数值
    tan⁡α\tan \alpha
  4. 取点 (x₀, y₀)斜率是“在某一点处”的局部性质，换个位置坡度就变了
    (x0,y0)(x_0, y_0)

计算方法

理解了定义，计算就变得机械而轻松。核心口诀只有一句：对 x 求偏导时，把 y 当成常数；对 y 求偏导时，把 x 当成常数。这就像你在配方表上测量糖的影响时，把面粉那一栏用胶带封死，假装它是固定值。初中就学过的单变量求导规则——幂函数、指数函数、三角函数、链式法则——全部照常使用，只是“配角变量”要安静地待在常数位。

更一般地，如果函数是复合的，比如 f(g(x,y), h(x,y))，链式法则会自动展开成两条路径的贡献之和：

这条公式像是“间接影响”的清单：原料 g 和 h 各自通过自己的渠道影响最终口感，而 x 又同时影响 g 和 h。总敏感度是每条传导路径上敏感度的乘积之和。烘焙师会立刻点头：面粉的筋度既直接决定蓬松度，又通过吸水性间接影响甜味感知，两条路径都得算。计算偏导数的本质，就是这种“逐路径求导，再汇总”的思维。

f(x,y)=x2y+exy,∂f∂x=2xy+yexyf(x, y) = x^2 y + e^{xy}, \quad \frac{\partial f}{\partial x} = 2xy + y e^{xy}
求 f_x 时，x²y 中的 y 是常数系数，于是 x² 求导得 2x 再乘以 y；e^{xy} 的内层 xy 对 x 求导得 y，这就是链式法则。
  1. 识别目标变量明确要对 x 求导，其余变量全部降级为“常数”
    ∂∂x(x2y+exy)\frac{\partial}{\partial x}(x^2 y + e^{xy})
  2. 第一项 x²y把 y 当常数系数，对 x² 求导得 2x，乘回 y
    ∂∂x(x2y)=y⋅2x=2xy\frac{\partial}{\partial x}(x^2 y) = y \cdot 2x = 2xy
  3. 第二项 e^{xy}这是复合函数，外层 e^u 求导不变，内层 u = xy 对 x 求导得 y
    ∂∂xexy=exy⋅y=yexy\frac{\partial}{\partial x}e^{xy} = e^{xy} \cdot y = y e^{xy}
  4. 合并结果两项贡献相加，得到最终的偏导表达式
    ∂f∂x=∂f∂g⋅∂g∂x+∂f∂h⋅∂h∂x\frac{\partial f}{\partial x} = \frac{\partial f}{\partial g} \cdot \frac{\partial g}{\partial x} + \frac{\partial f}{\partial h} \cdot \frac{\partial h}{\partial x}

高阶偏导数

你已经能测量“每加一勺糖甜度提升多少”，但烘焙师还会追问更细的问题：“这个提升速度本身，会随着糖的增多而变快还是变慢？”这就是偏导数的导数——二阶偏导数。对 ∂f/∂x 再关于 x 求导，记作 ∂²f/∂x²，它刻画的是“沿 x 方向的变化率的加速度”。同样，你也可以先对 x 求偏导，再对 y 求偏导，得到混合偏导数 ∂²f/(∂y∂x)，它回答的是：“糖的影响强度，会随面粉用量的变化而改变吗？”

这个可交换性质有一个优雅的名字——克莱罗定理。它告诉我们，在大多数“光滑”的配方（函数）里，求导顺序不影响结果。就像烘焙中先放糖再放面粉，还是先放面粉再放糖，只要最终都搅拌均匀，面糊状态没有区别。但注意前提是“连续”：如果配方在某处突变（比如温度超过临界点导致焦化），顺序可能就重要了。二阶偏导在机器学习中同样关键——损失函数的海森矩阵就是由所有二阶偏导组成的，它决定了梯度下降迈多大的步子才稳定。

∂2f∂x2=∂∂x(∂f∂x),∂2f∂y∂x=∂∂y(∂f∂x)\frac{\partial^2 f}{\partial x^2} = \frac{\partial}{\partial x}\left(\frac{\partial f}{\partial x}\right), \quad \frac{\partial^2 f}{\partial y \partial x} = \frac{\partial}{\partial y}\left(\frac{\partial f}{\partial x}\right)
二阶偏导是“变化率的变化率”，混合偏导则考查“一个方向的变化率对另一个方向变量的敏感度”。
  1. 一阶偏导 ∂f/∂x先算出 x 方向的变化率，相当于“糖的敏感度函数”
    ∂f∂x\frac{\partial f}{\partial x}
  2. 再对 x 求导对敏感度函数本身求导，得到沿 x 的曲率信息
    ∂∂x(∂f∂x)\frac{\partial}{\partial x}\left(\frac{\partial f}{\partial x}\right)
  3. 混合求导 ∂/∂y(∂f/∂x)先看 x 方向敏感度，再问这个敏感度随 y 怎么变
    ∂∂y(∂f∂x)\frac{\partial}{\partial y}\left(\frac{\partial f}{\partial x}\right)
  4. 混合偏导可交换当两个混合偏导都连续时，f_xy = f_yx，即“先加糖后加面粉”与“先加面粉后加糖”的最终效果一致
    ∂2f∂x∂y=∂2f∂y∂x\frac{\partial^2 f}{\partial x \partial y} = \frac{\partial^2 f}{\partial y \partial x}

全微分与全导数

偏导数一次只看一个方向，但现实中的调整往往是多个原料同时微调。这时烘焙师需要回答：“糖多 2 克、面粉少 3 克，口感总变化大概是多少？”如果每个原料的单独敏感度已知，且变化很小，总变化就可以近似为每个方向贡献的叠加——这就是全微分的思想。

如果 x 和 y 本身还依赖于第三个变量 t（比如时间），那么“配方随时间演变的总速率”就是全导数。它用链式法则把所有通道串起来：

这条公式像一条流水线上的总产量：每条支线的产量变化率（dx/dt）乘以该支线对总产量的贡献权重（∂f/∂x），全部相加。偏导存在并不保证函数可微，可微还需要偏导连续这个“强保证”——就像每个方向都平滑，整个曲面才没有尖角，才能被切平面良好近似。在 AI 中，反向传播算法本质上就是这条全导数公式的工程化实现。

df=∂f∂xdx+∂f∂ydydf = \frac{\partial f}{\partial x} dx + \frac{\partial f}{\partial y} dy
全微分 df 是函数增量 Δf 的线性近似：等于各偏导数与对应变量微分的乘积之和。
  1. 偏导 ∂f/∂xx 方向每单位的敏感度，相当于糖的“单价”
    ∂f∂x\frac{\partial f}{\partial x}
  2. 微分 dxx 方向的实际微小变化量，相当于糖实际加了多少
    dxdx
  3. 乘积 ∂f/∂x · dxx 变化带来的贡献份额
    ∂f∂xdx\frac{\partial f}{\partial x} dx
  4. 求和把所有方向的贡献相加，得到总变化的近似值
    dfdt=∂f∂xdxdt+∂f∂ydydt\frac{df}{dt} = \frac{\partial f}{\partial x} \frac{dx}{dt} + \frac{\partial f}{\partial y} \frac{dy}{dt}

方向导数

偏导数只告诉你沿 x 轴或 y 轴方向的变化率。但烘焙师可能想沿一个“斜向”调整配方——比如糖和面粉按 1:2 的比例同时变动。这时我们需要方向导数：它度量函数在任意指定方向上的变化率。用单位方向向量 u = (cos θ, sin θ) 指示“往哪个方向走”，方向导数就是函数在该方向上的瞬时坡度。

方向导数最漂亮的结论是：它可以由偏导数与方向向量点积得到——每个坐标轴的贡献加权求和：

其中梯度向量 ∇f = (f_x, f_y) 把所有偏导数装进一个箭头。梯度的方向，正是方向导数最大的方向——也就是配方口感“上升最陡”的方向；梯度的大小，正是这个最大上升率。机器学习的梯度下降，就是沿梯度的反方向（最陡下降方向）调整参数，让损失函数快速滑向谷底。

∂f∂u⃗=lim⁡t→0f(x0+tcos⁡θ,y0+tsin⁡θ)−f(x0,y0)t\frac{\partial f}{\partial \vec{u}} = \lim_{t \to 0} \frac{f(x_0 + t\cos\theta, y_0 + t\sin\theta) - f(x_0, y_0)}{t}
方向导数是偏导数的推广：当 θ = 0 时它退化为 ∂f/∂x，当 θ = π/2 时退化为 ∂f/∂y。
  1. 方向向量 u = (cosθ, sinθ)单位长度，指示前进方向的“指南针”
    u⃗=(cos⁡θ,sin⁡θ)\vec{u} = (\cos\theta, \sin\theta)
  2. 沿方向移动的点从 (x₀, y₀) 出发，沿 u 方向走 t 步到达的新位置
    (x0+tcos⁡θ,  y0+tsin⁡θ)(x_0 + t\cos\theta,\; y_0 + t\sin\theta)
  3. 函数变化量新位置与原位置的函数值之差
    f(x0+tcos⁡θ,y0+tsin⁡θ)−f(x0,y0)f(x_0 + t\cos\theta, y_0 + t\sin\theta) - f(x_0, y_0)
  4. 取极限步长 t 趋于 0，得到该方向的瞬时变化率
    ∂f∂u⃗=∇f⋅u⃗=fxcos⁡θ+fysin⁡θ\frac{\partial f}{\partial \vec{u}} = \nabla f \cdot \vec{u} = f_x \cos\theta + f_y \sin\theta

AI 应用场景

神经网络训练中的梯度下降

阶段：模型训练与参数优化

解决的问题：一个神经网络可能有上百万个参数（权重），每个参数对损失函数的影响程度各不相同。传统“穷举试错”完全不可行——参数空间维度太高。偏导数为每个参数提供了精确的“敏感度报告”：∂Loss/∂w 告诉我们要调大还是调小这个权重、调多少合适。反向传播算法就是高效计算这些偏导数的工程实现。

具体案例：训练一个手写数字识别模型时，损失函数是模型输出与真实标签的差距。计算出损失对某个卷积核权重的偏导后，优化器按“沿负梯度方向”的规则更新权重。每一轮迭代，所有参数都沿着各自偏导数指示的方向微调一步，就像烘焙师同时按配方表调整十几种原料——每种原料的调整量都由它对口感的敏感性决定。

图像边缘检测

阶段：数据预处理与特征提取

解决的问题：一张灰度图像可以看作二元函数 I(x, y)——x、y 是像素坐标，I 是亮度。边缘就是亮度剧烈变化的地方，数学上正是偏导数 |∂I/∂x| 或 |∂I/∂y| 的大值区域。传统人工设阈值找边缘既慢又不稳定，用偏导数算子（如 Sobel 算子）可以快速计算每个像素处的亮度梯度，梯度的幅值直接给出边缘强度。

具体案例：自动驾驶系统中，车载摄像头拍到路面照片后，图像预处理管线用 Sobel 算子计算每个像素的梯度幅值，把梯度大的像素标记为可能的车道线边缘。这些边缘信息再送入目标检测模型。整个过程本质上就是在对“图像的偏导数”做阈值判断。

物理场模拟中的敏感度分析

阶段：科学计算与仿真

解决的问题：气象预报中，温度场 T(x, y, t) 的演化由偏微分方程控制，每个点的温度关于时间的偏导 ∂T/∂t 描述了该点温度的变化速率。工程师需要知道“初始温度的微小扰动会如何影响最终预报结果”，这需要对场变量求偏导进行敏感度分析。传统试错法需要反复跑完整仿真，成本极高。

具体案例：在风力发电场选址时，工程师用 CFD 仿真模拟风场。他们对风速场的空间偏导数进行分析，找到湍流强度最大的区域，从而优化风机排布。偏导数让 “做一次仿真、收获整个区域的敏感度地图” 成为可能。

Python 演示

python36 行
import numpy as np def partial_derivative(func, point, idx, h=1e-6):    """数值计算 func 在 point 处对第 idx 个变量的偏导数(中心差分)"""    p_plus = list(point)    p_minus = list(point)    p_plus[idx] += h    p_minus[idx] -= h    return (func(*p_plus) - func(*p_minus)) / (2 * h) def f(x, y):    """f(x,y) = x^2 * y + e^(xy)"""    return x * x * y + np.exp(x * y) x0, y0 = 1.5, 0.8df_dx = partial_derivative(f, (x0, y0), 0)df_dy = partial_derivative(f, (x0, y0), 1) print(f"At ({x0}, {y0}):")print(f"  numeric df/dx = {df_dx:.6f}, analytic = {2*x0*y0 + y0*np.exp(x0*y0):.6f}")print(f"  numeric df/dy = {df_dy:.6f}, analytic = {x0*x0 + x0*np.exp(x0*y0):.6f}") def g(x, y):    """g(x,y) = x^2 + 3*y^2, 用于梯度下降演示"""    return x * x + 3 * y * y def grad_g(x, y):    return (2 * x, 6 * y) print("\nGradient descent using partial derivatives:")x, y, lr = 4.0, 3.0, 0.1for i in range(10):    gx, gy = grad_g(x, y)    x -= lr * gx    y -= lr * gy    print(f"  step {i+1:2d}: x={x:.4f}, y={y:.4f}, f={g(x,y):.6f}")
目的：先用数值方法验证偏导数的解析计算结果，再展示偏导数在梯度下降中的实战用途。
  1. partial_derivative(func, point, idx, h=1e-6)用中心差分公式近似偏导：(f(x+h) − f(x−h)) / 2h，比单侧差分误差更小，就像取“前后各挪一小步”的平均坡度。
  2. p_plus = list(point)复制一份参数列表，避免修改原始数据，相当于“单独做一版只改了糖的配方”。
  3. (func(*p_plus) - func(*p_minus)) / (2 * h)核心差分公式，对应偏导数的极限定义，只是 h 取了一个足够小但不为零的值。
  4. df_dx = partial_derivative(f, (x0, y0), 0)idx=0 表示对第 0 个变量（x）求偏导，y 被固定不动。
  5. 2*x0*y0 + y0*np.exp(x0*y0)解析解：∂f/∂x = 2xy + y·e^{xy}，与数值结果对比验证正确性。
  6. x -= lr * gx梯度下降的核心更新规则：沿负梯度方向迈步，步长由学习率 lr 控制。

常见误区

误区我以为 ∂f/∂x 和 df/dx 完全一样，求偏导时其他变量不用管，直接对所有字母一起求导就行。

正解偏导数是“固定其他变量，只让一个变量动”的导数，符号 ∂ 就是为了提醒这一点。而单变量的 df/dx 里只有一个变量，没有“其他变量”需要固定。计算时，对 x 求偏导，y 要像常数一样处理——就像测量糖的贡献时必须封住面粉罐。把 e^{xy} 对 x 求偏导得到 ye^{xy}，而不是把 y 也当作变量一起参与求导。

为何常见：初学者刚接触多元函数时，思维还没从单变量微积分切换过来，看到熟悉的求导符号就本能地套用旧规则。

误区只要 f_x 和 f_y 在某点都存在，函数在该点就一定可微，切平面也一定存在。

正解偏导存在只是“沿坐标轴方向有斜率”，但函数可能在其他方向上“碎裂”。可微要求函数在任意方向上都表现良好，且能被一个线性函数很好地近似。一个经典反例是 f(x,y) = xy/√(x²+y²)（原点处取 0），它在原点两个偏导都为 0，但沿 y=x 方向逼近时函数值却不趋于 0，因此不可微。这就像一座山在南北方向和东西方向都有坡度，但山顶却是一个陡峭的尖锥，没法安稳地放一块切平面。

为何常见：单变量中可导与可微等价，这个直觉被错误地推广到了多元函数。

误区f_xy 永远等于 f_yx，求导顺序随便，从来不检查条件。

正解克莱罗定理说的是：当两个二阶混合偏导在某个邻域内连续时，它们才相等。如果函数不够光滑，比如在原点出现奇异性，f_xy 和 f_yx 可能不同。实际考试和工程中遇到的绝大多数函数都满足连续性条件，所以这个误区通常“碰巧”不犯错，但在理论严密的场合，必须确认连续性前提。

为何常见：教材上大量例题都满足连续条件，导致学生默认“顺序无所谓”，忽略了定理的前提。

误区方向导数就是 f_x 加上 f_y，或者认为只有坐标轴方向才有方向导数。

正解方向导数是“沿任意指定方向的变化率”，偏导数只是方向导数在坐标轴方向的两个特例。更准确地说，方向导数 ∂f/∂u = f_x·cosθ + f_y·sinθ，等于梯度与方向向量的点积。它比偏导数更一般——就像“沿任意方向的坡度”包含了“东西向和南北向坡度”。梯度方向给出最大方向导数，这是偏导数本身回答不了的问题。

为何常见：因为先学偏导数，容易把“沿坐标轴”当成唯一合法的方向，忽视了方向可以连续旋转。

面试题

Q1. 计算偏导数 ∂f/∂x 的核心规则是什么？

单选题 · easy

  • A.所有变量同时参与求导
  • B.其他变量视为常数对该变量求导← 正确答案
  • C.先对函数积分再求导
  • D.对函数取自然对数再求导

答案：B。偏导数的灵魂是“固定其他变量，只让目标变量动”，就像固定面粉只调糖。B 正确。A 是全微分做的事，C、D 是无关操作。

Q2. 设 f(x,y) = x²y + x，则 ∂f/∂x = ?

单选题 · easy

  • A.2xy + 1← 正确答案
  • B.x² + 1
  • C.2xy + x
  • D.x²y + 1

答案：A。对 x 求偏导时 y 视为常数：x²y 对 x 求导得 2xy（y 是系数），x 对 x 求导得 1，合起来是 2xy + 1。A 正确，B 忘了 y 是系数，C 和 D 混淆了求导对象。

Q3. 偏导数 ∂f/∂x 在某点 (x₀, y₀) 的几何意义是？

单选题 · mid

  • A.曲面在该点的切平面方程
  • B.截面曲线在被切平面处对应切线斜率← 正确答案
  • C.曲面在该点的法向量方向
  • D.曲面在该点的曲率半径长度

答案：B。固定 y = y₀ 后用竖直平面切曲面，得到一条截面曲线，∂f/∂x 就是这条曲线在切点处的切线斜率。B 正确。切平面需要 fx 和 fy 一起给出，法向量是梯度的延伸，曲率半径是二阶导数的事。

Q4. 关于混合偏导 f_xy 与 f_yx，正确的说法是？

多选题 · mid

  • A.两者无条件永远相等
  • B.两者连续时一定相等← 正确答案
  • C.函数不光滑时顺序可能影响结果← 正确答案
  • D.混合偏导一定存在且有限

答案：BC。克莱罗定理要求两个混合偏导都连续才保证相等，A 错在“无条件”。B 是定理内容，正确。若函数在某处有奇异性，求导顺序可能影响结果甚至导致偏导不存在，C 正确。D 过于绝对，偏导存在需要特别验证。

Q5. 设 f(x,y) = e^(xy)，则 ∂f/∂y 为？

单选题 · mid

  • A.e^(xy)
  • B.x·e^(xy)← 正确答案
  • C.y·e^(xy)
  • D.xy·e^(xy)

答案：B。对 y 求偏导时，内层 xy 对 y 求导得 x（x 是常数系数），外层 e^u 不变，所以结果是 x·e^(xy)。B 正确。A 忘了链式法则，C 把内外层导数乘反了，D 多乘了一个 y。

Q6. 关于方向导数和梯度，以下哪些说法正确？

多选题 · hard

  • A.梯度方向是函数上升最快的方向← 正确答案
  • B.方向导数等于梯度与单位方向向量的点积← 正确答案
  • C.梯度方向是函数下降最快的方向
  • D.方向导数的最大值等于梯度的模长← 正确答案

答案：ABD。梯度指向函数值增长最快的方向，A 正确，C 错（下降最快是梯度的反方向）。方向导数 ∂f/∂u = ∇f·u，B 正确。由点积性质，当 u 与梯度同向时方向导数最大，最大值为 |∇f|，D 正确。

Q7. 全微分 df = f_x·dx + f_y·dy 的本质是？

单选题 · mid

  • A.函数增量的线性近似← 正确答案
  • B.函数增量的精确计算
  • C.函数的极大值判别式
  • D.函数的高阶导数展开

答案：A。全微分用各个方向的偏导与微分乘积之和来近似函数在微小变动下的增量，是“切线平面近似”的代数表达。A 正确。它忽略高阶小量，不是精确值；它是近似工具，与极值判别、高阶展开是不同概念。

Q8. 设 f(x,y) 在点 P 的两个偏导都存在，则下列正确的是？

多选题 · hard

  • A.函数在 P 点一定连续
  • B.函数在 P 点不一定连续← 正确答案
  • C.函数在 P 点一定可微
  • D.函数在 P 点不一定可微← 正确答案

答案：BD。偏导存在既不能推出连续，也不能推出可微——存在方向导数不连续、也不可微的反例。B 和 D 正确。A、C 把偏导存在当作更强的性质，是错误的直觉升级。

Q9. 计算偏导时，对 x 求偏导，y 应该被视为什么？

单选题 · easy

  • A.变量但可以先化简
  • B.常数乘以函数里的 x← 正确答案
  • C.零以简化运算
  • D.无穷大可忽略

答案：B。对 x 求偏导时，y 整体视为常数，但它作为系数要保留——x²y 求导得 2xy，而不是 0。B 正确。把它当零或无穷大都会丢失信息，当普通变量则成了全导数。

Q10. 设 f(x,y) = x² + 3xy + y²，则二阶混合偏导 ∂²f/∂x∂y 等于？

单选题 · mid

  • A.等于常数 2
  • B.等于常数 3← 正确答案
  • C.等于常数 6
  • D.等于常数 0

答案：B。先对 x 求偏导得 f_x = 2x + 3y，再对 y 求偏导得 f_xy = 3；反过来先对 y 求偏导得 2y + 3x，再对 x 求偏导也得 3。B 正确，克莱罗定理验证了顺序无关。