Tailwind CSSTailwind CSS
Home
  • Tailwind CSS 书籍目录
  • Vue 3 开发实战指南
  • React 和 Next.js 学习
  • TypeScript
  • React开发框架书籍大纲
  • Shadcn学习大纲
  • Swift 编程语言:从入门到进阶
  • SwiftUI 学习指南
  • 函数式编程大纲
  • Swift 异步编程语言
  • Swift 协议化编程
  • SwiftUI MVVM 开发模式
  • SwiftUI 图表开发书籍
  • SwiftData
  • ArkTS编程语言:从入门到精通
  • 仓颉编程语言:从入门到精通
  • 鸿蒙手机客户端开发实战
  • WPF书籍
  • C#开发书籍
learn
  • Java编程语言
  • Kotlin 编程入门与实战
  • /python/outline.html
  • AI Agent
  • MCP (Model Context Protocol) 应用指南
  • 深度学习
  • 深度学习
  • 强化学习: 理论与实践
  • 扩散模型书籍
  • Agentic AI for Everyone
langchain
Home
  • Tailwind CSS 书籍目录
  • Vue 3 开发实战指南
  • React 和 Next.js 学习
  • TypeScript
  • React开发框架书籍大纲
  • Shadcn学习大纲
  • Swift 编程语言:从入门到进阶
  • SwiftUI 学习指南
  • 函数式编程大纲
  • Swift 异步编程语言
  • Swift 协议化编程
  • SwiftUI MVVM 开发模式
  • SwiftUI 图表开发书籍
  • SwiftData
  • ArkTS编程语言:从入门到精通
  • 仓颉编程语言:从入门到精通
  • 鸿蒙手机客户端开发实战
  • WPF书籍
  • C#开发书籍
learn
  • Java编程语言
  • Kotlin 编程入门与实战
  • /python/outline.html
  • AI Agent
  • MCP (Model Context Protocol) 应用指南
  • 深度学习
  • 深度学习
  • 强化学习: 理论与实践
  • 扩散模型书籍
  • Agentic AI for Everyone
langchain
  • 6.4.1 链式法则

6.4.1 链式法则

一、基本概念

多元复合函数的链式法则(Chain Rule)是多元微分学的核心工具,用于求解复合函数的导数。其本质是将一元函数的求导法则推广到多元情形。

1. 二元函数情形

设函数 z=f(u,v)z = f(u,v)z=f(u,v),其中 u=u(x,y)u = u(x,y)u=u(x,y),v=v(x,y)v = v(x,y)v=v(x,y),则复合函数 z=f(u(x,y),v(x,y))z = f(u(x,y),v(x,y))z=f(u(x,y),v(x,y)) 的偏导数为:

∂z∂x=∂f∂u∂u∂x+∂f∂v∂v∂x\frac{\partial z}{\partial x} = \frac{\partial f}{\partial u}\frac{\partial u}{\partial x} + \frac{\partial f}{\partial v}\frac{\partial v}{\partial x} ∂x∂z​=∂u∂f​∂x∂u​+∂v∂f​∂x∂v​

∂z∂y=∂f∂u∂u∂y+∂f∂v∂v∂y\frac{\partial z}{\partial y} = \frac{\partial f}{\partial u}\frac{\partial u}{\partial y} + \frac{\partial f}{\partial v}\frac{\partial v}{\partial y} ∂y∂z​=∂u∂f​∂y∂u​+∂v∂f​∂y∂v​

2. 一般形式(树形法则)

对于多层复合函数,可沿变量依赖路径逐项相乘后相加:

∂z∂t=∑i=1n∂z∂xi∂xi∂t\frac{\partial z}{\partial t} = \sum_{i=1}^n \frac{\partial z}{\partial x_i} \frac{\partial x_i}{\partial t} ∂t∂z​=i=1∑n​∂xi​∂z​∂t∂xi​​

二、典型应用场景

1. 显函数求导

例题:设 z=eusin⁡vz = e^{u}\sin vz=eusinv,u=xyu = xyu=xy,v=x+yv = x+yv=x+y,求 ∂z∂x\frac{\partial z}{\partial x}∂x∂z​

解:

∂z∂x=eusin⁡v⋅y+eucos⁡v⋅1=exy[ysin⁡(x+y)+cos⁡(x+y)]\frac{\partial z}{\partial x} = e^{u}\sin v \cdot y + e^{u}\cos v \cdot 1 = e^{xy}[y\sin(x+y) + \cos(x+y)] ∂x∂z​=eusinv⋅y+eucosv⋅1=exy[ysin(x+y)+cos(x+y)]

2. 隐函数求导

当函数关系以方程 F(x,y,z)=0F(x,y,z)=0F(x,y,z)=0 给出时,可通过链式法则推导隐函数微分公式:

∂z∂x=−FxFz,∂z∂y=−FyFz\frac{\partial z}{\partial x} = -\frac{F_x}{F_z}, \quad \frac{\partial z}{\partial y} = -\frac{F_y}{F_z} ∂x∂z​=−Fz​Fx​​,∂y∂z​=−Fz​Fy​​

三、常见错误与注意事项

  1. 变量混淆:明确区分中间变量和最终自变量
  2. 漏项:确保遍历所有可能的依赖路径
  3. 符号错误:注意偏导符号 ∂\partial∂ 和常导符号 ddd 的区别

四、考研真题解析

2021年数学一真题: 设 z=f(exsin⁡y,x2+y2)z = f(e^x \sin y, x^2 + y^2)z=f(exsiny,x2+y2),其中 fff 具有二阶连续偏导数,求 ∂2z∂x∂y\frac{\partial^2 z}{\partial x \partial y}∂x∂y∂2z​

解题步骤:

  1. 设 u=exsin⁡yu = e^x \sin yu=exsiny,v=x2+y2v = x^2 + y^2v=x2+y2
  2. 先求一阶偏导:

    ∂z∂x=f1⋅exsin⁡y+f2⋅2x\frac{\partial z}{\partial x} = f_1 \cdot e^x \sin y + f_2 \cdot 2x ∂x∂z​=f1​⋅exsiny+f2​⋅2x

  3. 再对 yyy 求偏导(注意 f1,f2f_1,f_2f1​,f2​ 仍是复合函数):

    ∂2z∂x∂y=(f11excos⁡y+f12⋅2y)exsin⁡y+f1excos⁡y+(f21excos⁡y+f22⋅2y)⋅2x\frac{\partial^2 z}{\partial x \partial y} = (f_{11}e^x \cos y + f_{12} \cdot 2y)e^x \sin y + f_1 e^x \cos y + (f_{21}e^x \cos y + f_{22} \cdot 2y) \cdot 2x ∂x∂y∂2z​=(f11​excosy+f12​⋅2y)exsiny+f1​excosy+(f21​excosy+f22​⋅2y)⋅2x

  4. 合并同类项(利用 f12=f21f_{12} = f_{21}f12​=f21​)

五、记忆技巧

  1. 路径追踪法:画出变量依赖关系图
  2. 口诀记忆:"外导乘内导,路径不遗漏"
  3. 矩阵形式:雅可比矩阵乘法体现链式法则本质

六、扩展阅读

  1. 向量值函数的链式法则
  2. 微分形式不变性与链式法则的关系
  3. 流形上的链式法则(高等微分几何)

该内容包含:
1. 严格的理论定义和公式表达
2. 典型例题及考研真题解析
3. 常见错误提示和记忆技巧
4. 知识扩展方向
5. 采用Latex公式保证准确性
6. 层次分明的Markdown排版
Last Updated:: 4/27/25, 4:51 PM