w wyl123ly 的博客
MD

8-4-方向导数与梯度

71 KB 2026.10.17 原文件

---

title: 8-4-方向导数与梯度

aliases:

  • 方向导数
  • 梯度
  • Directional Derivative
  • Gradient
  • 等值线

tags:

  • 类型/教程
  • 微积分/多元微分

created: 2026-10-12

updated: 2026-10-12

level: 进阶

chapter: "8.4"

prerequisites:

  • "8-2-偏导数与全微分"

sources:

  • https://www.wiley.com/en-us/The+Calculus+Lifesaver%3A+The+Complete+Guide+to+Calculus+and+Its+Applications-p-9780470181222
  • https://mathworld.wolfram.com/PartialDerivative.html
  • https://ocw.mit.edu/courses/18-02sc-multivariable-calculus-fall-2010/

8-4-方向导数与梯度

一句话概括

偏导数只回答了两个特定方向上的问题:「正东有多陡」「正北有多陡」。可是站在山坡上,你想往任意方向走——这就是方向导数(directional derivative)要回答的问题:沿方向 走,坡度是多少?

答案是本章最漂亮的一条公式:方向导数 = 梯度 · 单位方向向量。于是所有的方向信息被压缩进了一个向量 ——梯度。有了它,你可以立刻回答一串问题:哪个方向最陡?(梯度方向)最陡有多陡?(梯度的模)哪个方向最平?(垂直于梯度的方向)等高线往哪边弯?(梯度垂直于等高线)

本篇覆盖:方向导数的定义与存在性、方向导数与偏导数的关系、梯度的定义与计算、方向导数公式及其几何意义、梯度的性质(最速上升、垂直于等值线、模长是最大变化率)、梯度的运算法则、切平面与法线、梯度在物理与优化中的应用。

一、定义

1.1 为什么还需要方向导数

回顾一下我们已有的工具:

工具 | 回答的问题 | 缺点

---|---|---

偏导数 | 沿正东方向有多陡 | 只一个方向

偏导数 | 沿正北方向有多陡 | 只一个方向

全微分 | 用切平面逼近曲面 | 不直接给出「坡度」

方向导数 | 沿任意指定方向有多陡 | ——

实际问题的需求非常明确:下山的路线可以选任何方向。 你想知道「朝东北 走,坡度是多少」「朝哪个方向下降最快」。这就必须把「方向」变成一个可以连续变化的参数。

1.2 方向导数的定义

定义 8.1(方向导数,directional derivative)

设函数 在点 的某邻域内有定义, 是一个给定的非零向量,其方向余弦为 ,即

令射线 ()上的点为

若极限

存在,则称此极限为 在 处沿方向 的方向导数,记作

四个必须注意的细节:

  1. ,是单侧极限。 因为方向导数只谈论「沿这个方向前进」,不允许后退(后退是相反方向 的事,那是另一个方向导数)。
  2. 定义用单位向量。 因为 是距离(弧长参数),所以比值是「每单位距离的高度变化」。若用非单位向量 参数化, 就不是距离了,得到的是「每单位参数变化的高度变化」,会差一个 的因子。
  3. 沿 轴正方向的方向导数就是 。 取 ,则 。沿 轴正方向同理等于 。
  4. 沿相反方向的方向导数不一定是相反数。 对于可微函数确实有 ;但对不可微函数不成立(见五、例题 13)。

1.3 梯度的定义

定义 8.2(梯度,gradient)

设函数 在点 处存在偏导数,则称向量

为 在 处的梯度(gradient)。

对三元函数 ,梯度是

记号来源: 读作「nabla」或「del」,是一个向量微分算子:

所以 就是「把算子作用在函数上」的结果。国内教材也常用 (gradient 的缩写)。

梯度是一个向量,不是一个数

这是初学者最容易搞混的: 是数, 是向量。梯度的两个分量是「向东的坡度」和「向北的坡度」,而向量本身指向「最陡上升方向」。

数量场 给出一个数(如山高),它的梯度是一个向量场(如「最陡上坡的方向与陡度」)。

1.4 等值线(等值面)

定义 8.3(等值线,level curve)

设函数 在区域 上有定义, 是常数。称集合

为 的等值线(level curve,等高线)。若 是一条曲线且 可微,则称 为等值线(在物理中常叫等势线)。

对三元函数 ,集合 称为等值面(level surface)。

等值线是本篇几何直观的核心对象,2.3 与 3.4 节会证明:梯度垂直于等值线。

二、几何直观

2.1 方向导数:从山顶朝任意方向的坡度

想象你站在山坡上的点 ,脚下是一片起伏的地形 。你在水平面上选定一个方向——比如「东偏北 」——然后沿这个方向迈出一小步。

  • 你水平移动的距离是 ;
  • 你上升或下降的高度是 ;
  • 两者之比就是这段路的平均坡度。

方向导数就是「让 」时这个平均坡度的极限,也就是该方向上的瞬时坡度。

把它与偏导数对照:

方向 | 方向导数 | 图像上的含义

---|---|---

正东() | | 沿东西向的截痕曲线的斜率

正北() | | 沿南北向的截痕曲线的斜率

东北 () | (可微时) | 沿「对角线」切的截痕曲线的斜率

第三行是重点:对角线方向的方向导数不是 ,而是 。原因就在「必须用单位向量」—— 才是单位向量, 的模是 。这是考试中最常见的计算失误。

2.2 梯度:把方向导数「打包」成一个向量

现在做一件很自然的事:让方向转一圈,把每个方向的方向导数都记下来。

对于可微函数,方向导数是

(这里 是单位向量, 是从 轴正向逆时针量起的角度。)这是一个关于 的正弦型函数:

(用辅助角公式合并, 就是梯度的方向角。)它的图像是一条余弦曲线:随方向角 周期变化,最大值为 (在 处),最小值为 (在相反方向)。

这就是梯度的全部秘密:

  • 方向的选取 只影响「相位」,不影响「幅度」;
  • 幅度由 唯一决定;
  • 方向导数取最大值的方向就是 ,也就是 的方向。

所以「梯度」就是「把所有方向的方向导数打包成一个向量」的结果。 它用一个向量代替了无穷多个方向导数。

2.3 梯度指向最陡上升方向

这是梯度最重要的几何含义,用一句话说:

站在山坡上,梯度的方向就是你脚下最陡的上坡方向;梯度的模就是那个最陡的坡度。

一步步把这句话「看」出来:

第 1 步:把方向导数写成点积。

其中 是 与 的夹角(用了 )。

第 2 步:让 变化。

(梯度与前进方向的夹角) | | 方向导数(坡度) | 图像

---|---|---|---

(沿梯度走) | | | 最陡上坡

| | | 缓坡上行

(垂直于梯度) | | | 平路(沿等高线走)

| | | 缓坡下行

(逆梯度走) | | | 最陡下坡

第 3 步:读出结论。

  • 最大上升率:,方向为 ;
  • 最大下降率:,方向为 ;
  • 变化率为零的方向:垂直于 的两个方向。

一句话记住梯度

梯度 = 最陡上升的方向 + 最陡上升的快慢。

若有人问你「怎么最快爬到山顶」,答案是「朝梯度的方向走」;若问「这条路有多陡」,答案是「梯度的模」;若问「怎么走才能保持高度不变」,答案是「垂直于梯度走」。

2.4 梯度垂直于等值线

把上一节最后一条结论换个说法:沿着与梯度垂直的方向走,高度不变——那不就是沿着等高线走吗?

所以:等高线(切线)垂直于梯度。

用一幅具体的图看:(一个圆碗),等高线是同心圆。

  • 在点 ,梯度是 ,指向东北——正是远离原点的方向,也就是「上坡最陡」的方向 ✓;
  • 同心圆在 处的切线方向是 (西北—东南方向),而 ✓ 正好垂直。

再看一个马鞍:,等高线是双曲线族 。

  • 在 :,指向东南(沿 增加、 减小的方向)。这确实是上坡方向: 增大会上升, 减小也会上升(因为 随 减小而增大)✓。
  • 双曲线 在 附近的切线方向是 ,与 点积为零 ✓。

图像上的读法:在等高线图上,梯度总是「横穿等高线、指向高度增加的一侧」。等高线越密的地方梯度越大(因为同样宽度内高度变化更多)。

2.5 用等高线图判断梯度的方向与大小

给你一张等高线图(本库不放图,用文字描述),怎么快速读出梯度?

规则一(方向):在目标点画一条等高线的切线,梯度垂直于这条切线,并且指向高度标号变大的一侧。

规则二(大小):看两侧等高线的间距。

  • 等高线密集 ⟹ 梯度大(同样的水平位移对应更大的高度变化);
  • 等高线稀疏 ⟹ 梯度小;
  • 两条相邻等高线(高度差为 )之间的垂直距离为 ,则梯度的模约为 。

规则三(零梯度):在山顶、谷底、鞍部,等高线收缩为一点或呈十字交叉,此时梯度为零向量()。这正是 8-5-多元函数极值与拉格朗日乘数法 中「极值点的必要条件」的几何来源。

一幅可以「背下来」的画面

把等高线图想象成梯田。你要从田埂走到上一级田埂,最快的走法是垂直于田埂走(那就是梯度方向);沿着田埂走高度不变(方向导数为零)。田埂之间越窄(梯田越陡),梯度越大。「垂直于田埂,朝高的那侧」——这就是梯度的方向。

2.6 物理图像:三个典型场

温度场。 是温度。 指向温度上升最快的方向, 是这个最快升温率。热力学中热流方向是 (傅里叶定律):热量从热的地方流向冷的地方,沿最陡降温方向。

电势场。 是电势。电场强度 ——电场指向电势下降最快的方向。等势面垂直于电场线,这与你学过的「电场线垂直于等势面」完全一致。

地形高度。 是海拔。 指向最陡上坡。水流的方向大致是 (沿最陡下坡)。爬山时若想省力,就走「之」字形,即沿着与梯度成较大角度的方向走——这就是盘山公路的原理。

三、性质与定理

3.1 方向导数与可微的关系

定理 8.1(可微 ⟹ 方向导数存在,且公式成立)

若函数 在点 处可微,则 在 处沿任何方向 的方向导数都存在,且

证明 由 在 处可微,当 时

(这里用到了 ,因为 是单位向量。)两边除以 :

令 ,最后一项趋于 ,即得结论。

适用条件 可微是充分条件。 若 不可微而只是偏导存在,公式可能失效(见五、例题 5 与例题 13)。

常见错误:不检查可微性就用公式

很多同学习惯性地写「」,完全不管可微性。这在分段函数在分界点的情形下会出错。

记住:对可微函数(包括所有初等函数在定义域内点)公式永远成立;对分段函数的分界点必须先验证可微性,或者回到定义直接算。

定理 8.2(方向导数存在推不出可微,甚至推不出连续)

存在这样的函数:在一点处沿一切方向的方向导数都存在,但该点不可微,甚至不连续。

例 取 (,补 )。

① 沿任何过原点的直线(方向 ):若 且 ,则

若 ,则 。故沿所有方向的方向导数都是 。

② 但沿抛物线 :,故 在原点不连续,当然不可微。

结论 「方向导数存在」比「可微」弱得多。这再次印证了 8-1-多元函数的概念与极限连续 篇的核心教训:有限条路径(哪怕是无穷多条直线)的信息,管不住全体。

3.2 梯度的基本性质

定理 8.3(梯度的三条核心性质)

设 在 处可微且 。则

① 最大变化率:在所有方向中, 沿 的方向增长最快,最大方向导数为 ;

② 最小变化率:沿 方向下降最快,方向导数为 ;

③ 零变化方向:与 垂直的方向上,方向导数为 。

证明 由定理 8.1,,其中 是两向量夹角。由 的取值范围 直接得 ①②; 即得 ③。

适用条件 需要 可微(保证公式成立)且 (否则「最陡方向」无从谈起)。

定理 8.4(梯度垂直于等值线)

设 可微, 是一条等值线,,且 。则在 处 有切线,且 垂直于该切线。

证明 由隐函数存在定理(见 8-3-多元复合函数与隐函数求导),因 ,至少有一个偏导非零,不妨设 。于是 在 附近可表示为 ,且

等值线在 处的切向量可以取 (验证:斜率 ,与切向量 一致)。计算点积:

故 ,即 垂直于等值线。

适用条件 需要 。在 的点(如山顶、谷底、鞍点),等值线可能收缩为一点或出现奇异的十字交叉,此时「切线」概念退化。

推广 对三元函数同理: 是等值面 在 处的法向量。 这条结论是 9-5-曲面积分 中求曲面法向量与 9-6-高斯公式与斯托克斯公式 的基础。

3.3 梯度的运算法则

梯度是一个线性微分算子,具有与求导法则平行的性质:

定理 8.5(梯度的运算法则)

设 可微, 为常数,则

又若 是一元可微函数,则

证明 只需逐分量验证。以乘积法则为例,只看 分量:

其余分量同理。链式法则那条由多元链式法则(8-3-多元复合函数与隐函数求导)得到。

3.4 切平面与法线(用梯度写)

有了「梯度是等值面的法向量」,切平面的方程可以写得非常整齐。

定理 8.6(曲面 的切平面与法线)

设曲面由 给出, 在 处可微且 。则

切平面方程:

法线方程:

证明思路 曲面 是 的等值面,由定理 8.4 的推广, 是它的法向量。过 且以 为法向量的平面,其方程就是上式。法线方向即为 。

与 8-2-偏导数与全微分 的一致性 取 ,则 、、,代入得

正是 8-2 篇里的切平面公式。 两种写法完全等价,但用梯度写更通用(可以处理 不能解出的曲面,如球面)。

求法向量的一条捷径

曲面 在 处的法向量,除了 (或取反号 ,指向「上方」)之外,还可以通过「把曲面写成 」直接读出来。记忆法:把 移项得 ,则法向量就是 。

四、计算方法与步骤

4.1 求方向导数的标准流程

Step 1 求梯度 (或三元情形 )。

Step 2 把给定方向单位化。若给的是向量 ,则

若给的是「与 轴正向成 角」,则 已经是单位向量。

Step 3 求点积:

Step 4(重要) 检查 在 处是否可微。若 是分段函数的分界点或 不存在,必须回到定义直接计算极限。

单位化这一步不能省

求「沿 方向的方向导数」时,若直接算 ,得到的是正确答案的 倍(因为 )。

速记:方向导数 = 「每单位距离的变化率」,所以必须除以 。

4.2 求最陡上升/下降方向与最大变化率

Step 1 求 。

Step 2 最陡上升方向 (写成单位向量更好);最大上升率 。

Step 3 最陡下降方向 ;最大下降率 。

Step 4 若要求「沿某方向变化率为零的方向」,答案是垂直于 的方向,即 (二维情形)。

4.3 求切平面与法线

Step 1 把曲面写成 的形式。

Step 2 求 ,并在 处取值。

Step 3 代入定理 8.6 的两个方程。

特殊情况:若曲面已写成 ,直接用 更快。

4.4 用梯度验证等值线的切线与法线

要证「两条曲线在交点处正交」,标准做法是:

  1. 把两条曲线分别写成等值线 与 ;
  2. 求两个梯度 、;
  3. 验证 。

这个方法在解析几何与物理中极其常用(例如证明「电场线垂直于等势面」「同心圆的法线沿半径方向」)。

五、例题

例题 1(计算:基本的方向导数)

求 在点 处沿方向 的方向导数。

思路 按 4.1 的流程:求梯度、单位化、点积。

解

第 1 步:求梯度。

第 2 步:单位化方向。 ,故

第 3 步:点积。

结论 方向导数为 。检查:最大的方向导数是 ,而 ✓(因为 与 的夹角不是 )。若忘了单位化,会得到 ,是正确答案的 倍——这是本类题最常见的错误。

例题 2(计算:方向导数的最值)

设 ,求 在点 处的最大方向导数、最小方向导数,以及取得它们的方向。

思路 最大/最小方向导数就是 ,方向就是 。

解

第 1 步:求偏导。

第 2 步:在 处取值。

故 。

第 3 步:求模。

第 4 步:写方向。 最大方向导数的方向是

最小方向导数的方向是它的相反方向。

结论 最大方向导数 ,方向为 ;最小方向导数 ,方向相反。几何含义:在 处最陡上坡的方向指向「东北偏北」(因为 分量远大于 分量),这与 远大于 一致。

例题 3(计算:用角度给出的方向)

求 在点 处沿与 轴正向成 角的方向的方向导数。

思路 方向已用角度给出,单位向量就是 。

解

第 1 步:求梯度。

在 处:,,故

第 2 步:写单位方向向量。

第 3 步:点积。

结论 方向导数约为 。检查:,故方向导数必须落在 内, ✓。这也说明 方向与梯度方向()很接近(相差 ),所以方向导数接近最大值。

例题 4(计算:三元函数的方向导数)

求 在点 处沿方向 的方向导数。

思路 三元情形与二元完全平行:梯度是三元向量,方向仍要单位化。

解

第 1 步:求梯度。

在 处:

第 2 步:单位化。 ,故

第 3 步:点积。

结论 方向导数为 。

例题 5(概念辨析:不可微时公式失效)

设

① 求 、;② 用公式 计算原点处沿任意方向的方向导数;③ 直接按定义计算沿方向 的方向导数;④ 比较并说明结论。

思路 这是本章最重要的反例。要看清「公式」与「定义」在不可微时如何分道扬镳。

解

第 1 步:求两个偏导。 (),故

故 。

第 2 步:用公式算。 对任意方向 :

公式给出「所有方向导数都是 」。

第 3 步:用定义算。 对方向 ,令 :

  • 若 :分母 ,分子 ,故比值 ;
  • 若 (即沿 轴):,比值恒为 。

所以定义也给出「所有方向导数都是 」——两者一致!

第 4 步:那这个例子说明什么? 请注意:这里两个结果恰好一致,是因为 。但这不意味着公式可靠。真正的反例要看「沿所有方向导数存在但函数不连续」这一点:

沿抛物线 :

故 在原点不连续,从而不可微。

结论 这个函数在原点处「沿一切方向的方向导数都存在(都是 )」,但不可微、不连续。这说明:「沿所有方向导数存在」不能推出可微,也不能推出连续(定理 8.2)。要点:当 时,公式 可能「凑巧」给出正确结果,但这只是巧合——因为它是从「可微」推出的,而可微性在这里并不成立。做题时应回到定义验证,而不是依赖公式。

例题 6(概念辨析:沿任意两个方向的方向导数确定不了梯度)

已知 在原点可微,且沿方向 的方向导数为 ,沿 的方向导数为 。能否确定沿方向 的方向导数?若把 换成 呢?

思路 可微时方向导数由梯度唯一决定,而梯度是二维向量,需要两个独立方向上的信息才能定出。

解

第 1 步:由两个坐标方向定出梯度。 沿 的方向导数就是 ;沿 的就是 。故

第 2 步:求 方向。 单位化:,故

第 3 步:换个已知方向会怎样? 若已知的是 与 ,则第二个条件给

这恰好与上面算出的结果相同——但这只是因为 对称地落在两个已知方向之间。若已知的是 与 (东南方向),则条件为

这就给不出 、 的唯一解,除非已知值与 相容。换句话说:只有当两个已知方向线性无关(不平行)时,才能唯一确定梯度;而一旦梯度确定,所有方向的方向导数就都确定了。

结论 由两个不平行方向的方向导数(加上可微性)可以唯一确定梯度,从而确定一切方向的方向导数。这是「梯度打包了所有方向信息」的直接体现。 反之,若只知道一个方向的方向导数,信息不足。

例题 7(计算:梯度垂直于等值线)

验证函数 的等值线 在点 处与梯度垂直。

思路 求出等值线在 处的切向量与梯度向量,验证点积为零。

解

第 1 步:求梯度。

第 2 步:求等值线在 处的切向量。 等值线 是一个椭圆,可以参数化为

(验证: ✓。)在 处:、,即 。切向量为

第 3 步:点积。

第 4 步:用隐函数求导复核。 由 得 ,在 处为 。切向量 与 平行 ✓。梯度斜率 ,与切线斜率 之积为 ✓。

结论 ,梯度确实垂直于等值线。这个例子还说明:等值线 的切线斜率与梯度斜率互为负倒数,这是一维「垂直」判据的二维版本。

例题 8(概念辨析:梯度为零的点意味着什么)

设 。求 的点,并解释该点的几何意义;在这一点处「最陡上升方向」是什么?

思路  是极值/鞍点的标志,要仔细说清几何。

解

第 1 步:求梯度并令其为零。

第 2 步:几何意义。 是马鞍面的鞍点。在该点附近:

  • 沿 轴():,向上弯( 方向是极小);
  • 沿 轴():,向下弯( 方向是极大)。

第 3 步:最陡上升方向? 由梯度为零,任何方向的方向导数都是 :

所以在原点附近(一阶近似下)没有上升方向,也没有下降方向——曲面在原点处的一阶近似是水平平面 。但二阶信息告诉我们:沿 方向走会上升,沿 方向走会下降。

第 4 步:等高线的样子。 即 ,是一族双曲线。在原点附近, 的等高线退化为两条直线 (十字交叉), 的等高线是双曲线的四支,都以这两条直线为渐近线。原点处等高线「十字交叉」正是梯度为零的几何签名。

结论  只在原点成立。此时「最陡上升方向」不存在(一阶意义下各方向变化率都是 ),原点是一个鞍点。重要接口: 是 8-5-多元函数极值与拉格朗日乘数法 中「极值点必要条件」的来源,而「鞍点」是那里的重要反例。

例题 9(计算:切平面与法线)

求曲面 在点 处的切平面与法线方程。

思路 把曲面写成 ,用 作法向量。

解

第 1 步:构造 并求梯度。

在 处:

(这与「球面的法线沿半径方向」的几何直觉完全一致 ✓。)

第 2 步:切平面方程。

(化简:,两边除以 。)

第 3 步:法线方程。

结论 切平面为 ,法线为 。几何验证:球心到切平面的距离应等于半径 。由点到平面距离公式, ✓。

例题 10(计算:曲面 的切平面)

求曲面 在点 处的切平面与法线。

思路 直接用 。

解

第 1 步:求偏导。

在 处:,。

第 2 步:法向量。

第 3 步:切平面。

第 4 步:法线。

结论 切平面为 ,法线如上。用 8-2 篇的公式复核:,即 ,与 一致 ✓。

例题 11(定理理解:方向导数的最大值就是梯度的模)

用柯西不等式,重新证明「方向导数的最大值等于梯度的模」。

思路 不用辅助角公式,直接用柯西不等式,证明更简洁。

解

第 1 步:写出方向导数并取绝对值。

第 2 步:用柯西不等式。 对任意单位向量 :

(最后一步用了 。)故

第 3 步:说明等号可以取到。 柯西不等式的等号条件是两个向量线性相关。取 (要求 ),则

等号成立。同理取 时方向导数为 。

第 4 步:结论。 最大值 (在 且同向时取得),最小值 (反向时取得)。

结论 这证明比辅助角公式法更本质:「最陡方向是梯度方向」这件事,本质上就是柯西不等式的等号条件。 这也是为什么这个结论可以毫无困难地推广到 维。

例题 12(反例构造:方向导数存在而偏导数不存在)

设 。讨论在原点处:① 沿方向 与 的方向导数;② 偏导数 ;③ 偏导数 ;④ 由此能得出什么结论。

思路 关键在于方向导数用单侧极限 ,偏导数用双侧极限。这个例子能把两者的差别放到最大。

解

第 1 步:沿 的方向导数。 (),故

第 2 步:沿 的方向导数。 此时点形如 ():

注意:两个相反方向的方向导数都是 ,不是相反数!(,也是正的。)

第 3 步:偏导数 。 按定义用双侧极限:

右侧极限为 ,左侧极限为 ,不相等,故 不存在。

第 4 步:偏导数 。 ,故

存在。

第 5 步:检查可微性。 在原点不可微——因为由定理 8.4 的逆否命题, 不存在则必不可微。(也可直接看:曲面 在原点是一条「折脊」,没有切平面。)

结论 ① 沿 的方向导数都存在,都是 ;② 不存在;③ 存在;④ 在原点不可微。这个例子的价值有两点:

(a) 方向导数用单侧极限,所以「沿 的方向导数存在」不等于「 存在」——后者要求左右两方向的方向导数存在、相等,且等于双侧极限。

(b) 对不可微函数, 不成立(这里两个方向都给出 而不是 与 )。

说明 本库约定方向导数用单侧极限 (与国内主流教材一致)。若某教材采用双侧极限定义方向导数,本例的 ① 结论会不同——以授课教材为准。

例题 13(概念辨析:方向导数与偏导数的关系)

判断下列说法是否正确:

① 存在 沿 与 的方向导数都存在且相等;

② 若 在 可微,则沿 与 的方向导数互为相反数;

③ 若沿一切方向的方向导数都存在,则 在 可微。

思路 逐条对照定义。

解

第 1 步:① 正确。 ,这个双侧极限存在 左右极限都存在且相等,而左右极限正对应沿 与 的单侧方向导数。

第 2 步:② 正确。 由定理 8.1(可微时公式成立):

第 3 步:③ 错误。 例题 5 的函数 (补零)沿一切方向的方向导数都存在(都是 ),但它不连续,因而不可微。这是本章最重要的反例。

结论 ① 对,② 对(但依赖可微性),③ 错。记忆要点:可微 方向导数存在(公式成立);方向导数存在 可微,甚至 连续。

例题 14(证明题:用梯度判断两条曲线是否正交)

① 判断曲线 与双曲线 在其交点处是否互相垂直;

② 求一条与圆 在交点处正交的直线,并证明。

思路 用「梯度垂直于等值线」这条结论:两条曲线在交点处正交 两个梯度在该点垂直(点积为零)。

解

第 1 步(①):求交点。 由

两式相加得 ,即 ;两式相减得 ,即 。故交点为 ,共四个。

第 2 步:求两个梯度。 令 、,则

第 3 步:在交点处求点积。

在交点处 ,故 。

第 4 步:结论 ①。 点积不为零,故两曲线在交点处不垂直(它们相交成锐角,夹角余弦为 )。这提醒我们:判断正交必须真的算点积,不能凭感觉。

第 5 步(②):构造一个正交的例子。 取直线 ,把它写成等值线 ,则 。

它与圆的交点:,取 。在该点

第 6 步:几何解释。 圆在 处的法向量沿半径方向 ;直线 的法向量是 。两者点积为零,说明圆的法向量落到直线的切线方向上——换句话说,直线 在交点处沿半径方向穿过圆(它过圆心),因此与圆在该点的切线垂直。正交的定义就是「两曲线的切线互相垂直」,而「」恰好等价于此(因为 平行于第一条曲线的法线, 平行于第二条曲线的法线;两条法线垂直 两条切线垂直)。

结论 ① 圆 与双曲线 在交点处不垂直(两梯度点积为 )。② 直线 在 处与圆正交(两梯度点积为 )。方法总结:判断两曲线是否正交,只需算两个梯度的点积;这比求出两条切线再算夹角快得多。

例题 15(应用:最速下降法与等高线)

设 。从点 出发,求:

① 使 下降最快的方向;

② 沿该方向出发极小一段距离后的近似位置(取步长 );

③ 沿什么方向走 的一阶变化为零?

思路 这是梯度下降法的几何演示。

解

第 1 步:求梯度。

第 2 步:最速下降方向。

(因为 ,方向单位向量为 。)

第 3 步:走一步。

第 4 步:检验函数值确实下降。

下降了约 。

第 5 步:一阶变化为零的方向。 垂直于 的方向:,单位化后为 。验证: ✓。这个方向就是等高线 的切线方向(见例题 7)。

结论 最速下降方向为 ;走 步到约 ,函数值从 降到约 ;一阶变化为零的方向为 。这就是机器学习中梯度下降法(gradient descent)的最简单形态:每一步都朝 走一小段。

六、应用

6.1 梯度下降法:数值优化的核心

要在数值上求函数的最小值,最朴素也最常用的方法就是梯度下降:

其中 是学习率(步长)。原理就是本篇的定理 8.3:沿 方向函数下降最快。

  • 太小:收敛慢;
  • 太大:可能震荡甚至发散;
  • 恰好:快速收敛。实际算法中 常常是逐步调整的(自适应学习率)。

这一条迭代公式是整个现代机器学习优化的起点(再加上动量、Adam 等改进)。

6.2 用 numpy 实现梯度下降

本示例只用 numpy。

import numpy as np

def f(x, y):
    return x**2 + 4*y**2

def grad_f(x, y):
    return np.array([2*x, 8*y])

p = np.array([2.0, 1.0])     # 起点
eta = 0.1                    # 学习率

print(f"初始点 {p}, f = {f(*p):.6f}")
for k in range(1, 21):
    p = p - eta * grad_f(*p)
    if k % 5 == 0:
        print(f"第 {k:2d} 步: 点 = ({p[0]:.6f}, {p[1]:.6f}), f = {f(*p):.8f}")

输出形如:

初始点 [2. 1.], f = 8.000000
第  5 步: 点 = (1.180980, 0.010737), f = 1.39497540
第 10 步: 点 = (0.697356, 0.000115), f = 0.48630620
第 15 步: 点 = (0.411785, 0.000001), f = 0.16956613
第 20 步: 点 = (0.243156, 0.000000), f = 0.05912477

读法:迭代 20 步后点接近原点(最小值点),函数值单调下降。注意 方向收得比 方向快得多——因为 在 方向的曲率是 ,在 方向是 ,梯度下降在这种「病态」的二次函数上会出现「锯齿」现象,这正是实际算法要引入动量、自适应步长的原因之一。

6.3 温度场与热流

设房间温度 。

  • 温度梯度 指向温度上升最快的方向;
  • 热流密度向量由傅里叶定律给出:( 是导热系数)。热量沿最陡降温方向流动;
  • 等温面 垂直于 ,也垂直于热流方向。这就是「热流垂直于等温面」的数学表述。

6.4 电场与电势

电势 。电场强度

电场指向电势下降最快的方向。 等势面 垂直于 (这就是中学物理里「电场线垂直于等势面」)。注意那个负号:正电荷受的力沿 方向,而 指向电势降低的方向——所以正电荷自发地从高电势走向低电势。

6.5 等高线地图与登山

给定地形 :

  • 想最快上山:朝 走;
  • 想最快下山:朝 走;
  • 想省力地走平路:沿垂直于 的方向(沿等高线)走;
  • 想缓坡上山(安全):沿与 成 左右的方向走「之」字形。

盘山公路为什么要盘:因为公路的坡度必须限制在某个上限之内,所以不能沿梯度方向直上,只能绕行以延长路程、减小坡度。这是「方向导数 = 梯度投影」这一原理最直观的工程应用。

七、易错点

易错点 1:方向没有单位化

错在哪 求沿 的方向导数时直接算 。

正确是什么 必须先单位化:。

为什么 方向导数定义里 是距离(弧长),所以是「每单位距离的变化率」。用非单位向量会多出一个 倍的因子。速查:算出的方向导数绝对值不能超过 ,超了就是忘了单位化。

易错点 2:把梯度的模当成方向导数

错在哪 问「沿 的方向导数」,学生答 。

正确是什么  是最大的方向导数,只在沿梯度方向时取得。沿其他方向要乘 ( 为与梯度的夹角)。

为什么 。只有 时才等于模。

易错点 3:不检查可微性就用公式

错在哪 对分段函数在分界点处直接写 。

正确是什么 公式只在可微时成立(定理 8.1)。分界点处必须回到定义:。

为什么 反例见例题 5:(补零)在原点不可微,虽然本例中公式「碰巧」给出正确答案,但这只是巧合,不能当方法用。

易错点 4:把方向导数与偏导数混为一谈

错在哪 认为「沿 的方向导数就是 ,沿 的方向导数就是 」。

正确是什么 方向导数用单侧极限(),偏导数用双侧极限。对 型尖点,沿 的方向导数都存在(为 与 ),但 不存在(因为双侧极限不相等)。

为什么 两者定义中的极限过程不同。只有在函数可微(或至少沿该方向连续可导)时,才有「沿 的方向导数 」这样的关系。

易错点 5:认为「梯度方向」就是「函数值增大最快的方向」在任何点都对

错在哪 在 的点(山顶、谷底、鞍点)也谈「最陡上升方向」。

正确是什么  时,所有方向的方向导数都是 ,没有「最陡」可言。此时要借助二阶信息(海森矩阵)判断是极大、极小还是鞍点。

为什么 「最陡方向 = 梯度方向」的证明依赖 ;梯度为零时这个论证失效。见例题 8。

易错点 6:切平面法向量写错符号

错在哪 对曲面 写法向量为 。

正确是什么 把曲面写成 ,则 。指向「上方」的法向量可以取 。

为什么 符号错了切平面方程整体会错(相差一个 项)。检验方法:把切平面方程化为 ,看是否与 8-2 篇的公式一致。

易错点 7:以为「方向导数存在」意味着「连续」

错在哪 题目说「 在原点沿一切方向的方向导数存在」,学生据此认为 在原点连续或可微。

正确是什么 方向导数存在推不出连续,推不出可微(例题 5)。

为什么 方向导数只采集了从原点出发的直线上的信息;而连续与可微要求控制所有路径(包括抛物线、螺旋线)。这与 8-1-多元函数的概念与极限连续 中「沿所有直线极限相同推不出二重极限存在」是同一个道理。

易错点 8:把梯度当成标量场的「导数」

错在哪 写「」这样的等式。

正确是什么  是向量,必须写成 或 。它的模 才是标量。

为什么 梯度承载的是「方向 + 大小」两重信息,缺一不可。写成标量就丢掉了方向信息,也就丢掉了它最有价值的部分。

八、练习题

A 组(基础)

  1. 求 在点 处沿方向 的方向导数。
  2. 求 在点 处的最大方向导数及其方向。
  3. 求曲面 在点 处的切平面与法线方程。

B 组(概念与反例)

  1. 判断正误并说明理由:① 沿一切方向的方向导数都存在 可微;② 可微 沿一切方向的方向导数都存在;③ 方向导数存在 连续;④ 是极值点。
  2. 举出一个函数,使它在原点处沿一切方向的方向导数都存在,但在原点不连续。
  3. 设 在 可微且 。求沿哪些方向的方向导数为 ,并求方向导数的最大值与最小值。

C 组(提高)

  1. 证明:若 在 处可微且 ,则 在 处沿等值线切线方向的方向导数为 。
  2. 设 。讨论在原点处:① 沿各方向的方向导数是否存在;② 偏导数是否存在;③ 是否可微。并解释与例题 12 的异同。

答案在哪

本篇练习的详细解答(出处 / 考点 / 思路 / 分步解 / 答案 / 易错点)见 10-微积分-08-多元函数微分学;分章导航见 00-总索引。

九、常见问题 FAQ

Q1:方向导数为什么必须用单位向量?

因为方向导数的定义是「每单位距离的高度变化率」。定义里 是沿方向前进的距离,所以 中 必须是单位向量, 才能解释为距离。如果用非单位向量 ,就相当于把参数 的尺度放大了 倍,得到的比值也会放大同样倍数。

实用理解:方向导数回答的是「我往前走 1 米,高度变多少」;而 ( 非单位)回答的是「参数增加 1 个单位,高度变多少」——两个问题不同。

Q2:梯度到底指向「上坡」还是「下坡」?

指向上坡(函数值增加的方向)。这是定义的自然结果: 在 时取到最大值 ,即上升最快。

为什么许多算法用「负梯度」:因为优化问题通常求最小值,所以要沿 走(梯度下降)。而物理上电场 也带负号,因为电场指向电势降低的方向。

记忆法:梯度向上,负梯度向下,电场带负号是因为它在「下坡」。

Q3: 的点一定是极值点吗?

不一定。 只是极值点的必要条件(对定义域内点而言),可能对应极大值、极小值,也可能对应鞍点(如例题 8 的 在原点)。

如何区分:需要看二阶偏导(海森矩阵)。二维情形用判别式 (、、): 且 为极小; 且 为极大; 为鞍点; 需另想办法。详见 8-5-多元函数极值与拉格朗日乘数法。

Q4:为什么梯度垂直于等值线?能给我一个不用隐函数定理的解释吗?

可以,用一个非常直观的论证:

沿着等值线走,函数值始终不变,所以「沿等值线方向的方向导数 = 0」。设等值线的切线单位向量是 ,则由方向导数公式

由 且 ,点积为零意味着两向量垂直。

这个论证更本质:它把「梯度垂直于等值线」直接归约为「沿等值线变化率为零」,而后者是等值线的定义。注意这个论证用到「沿 的方向导数存在」——而这依赖 可微。 所以严格证明仍需定理 8.1。

Q5:三元函数的梯度怎么理解?画不出来图怎么办?

三维里「等高线」升级为等值面(如 是等温面),梯度仍然垂直于等值面,并指向函数值增加的一侧。 仍是最大空间变化率。

画不出来的对策:降维。固定一个变量(比如令 ),在得到的平面上画等高线,观察梯度的二维投影;或者用「切片」的方式想象——等值面在 平面上的截线就是二维的等高线。

物理直觉最好用:温度场的梯度指向升温最快的方向,垂直于等温面;电势的负梯度是电场,垂直于等势面。

Q6:切平面方程有几种写法?该背哪个?

三种常见写法,任选一种并理解其来源即可:

① 用偏导数:(只适用于 形式);

② 用梯度:(适用于 ,最通用);

③ 用向量:,其中 (最简洁)。

推荐记 ③:它是「平面 = 过一点且以 为法向量」这个几何事实的直接翻译,展开就是 ②。对 ,取 得 ,代入 ③ 展开即得 ①。

十、国内教材对照(浙大《微积分》/ 考研大纲)

10.1 术语与记号对照

本篇用法 | 浙大《微积分》(苏德矿等编) | 同济《高等数学》 | 英文教材(MIT 18.02 / Banner)

---|---|---|---

方向导数 | 方向导数 | 方向导数 | directional derivative

梯度 | 梯度 | 梯度 | gradient

等值线 | 等值线(等高线) | 等值线 | level curve / contour line

等值面 | 等值面 | 等值面 | level surface

方向余弦 | 方向余弦 | 方向余弦 | direction cosines

单位向量 | 单位向量 | 单位向量 | unit vector

记号差异:国内教材(浙大版、同济版)几乎都用 与 ( 为方向);英文教材一律用 与 。本库两种都写,以 与 为主。

另一处差异:国内教材常用「方向余弦」 来描述方向(来自空间解析几何的传统),而英文教材直接用单位向量。两者完全等价(方向余弦就是单位向量的三个分量),但用方向余弦写公式时要注意 这个约束。

10.2 国内更强调的部分

  1. 方向导数的定义与「单侧极限」的细节。国内教材会明确指出方向导数用 ,并讨论「沿 的方向导数与 的关系」(例题 12 就是这类题)。考研选择题中偶有考查。
  2. 方向导数存在与可微的关系。国内教材(尤其同济版)会给出「方向导数存在推不出可微」的反例,并要求学生会构造。这是考研选择题的常客。
  3. 方向余弦形式的公式。国内考试中,方向常以「与 轴、 轴正向夹角为 」的形式给出,套用 。国外教材更常用单位向量形式。
  4. 用梯度求曲面切平面与法线。国内教材会把「空间曲线的切线与法平面」「曲面的切平面与法线」单独列一节,与梯度、方向导数紧密关联,题量较大。国外教材(MIT 18.02)也讲,但更倾向用参数化的方式。

10.3 国外教材更强调的部分

  1. 梯度的物理意义与向量场视角。MIT 18.02 把梯度作为「向量场」来介绍,并立即联系到力场、速度场、电场,还会画梯度场与等高线叠加的图(「梯度向量垂直于等高线」一眼可见)。建议国内自学者自己动手画一次这种叠加图(本库不放图,但你可以用第 6.2 节的 numpy 代码加几行画出等高线与梯度箭头)。
  2. 最速上升的严格论证与柯西不等式。国外教材习惯用 直接论证,并强调「这是柯西不等式的等号条件」。本篇例题 11 采用了这一讲法。
  3. 梯度下降等算法应用。国外(尤其应用数学、机器学习类)教材会把梯度与优化算法直接挂钩。国内教材一般在「方向导数与梯度」一节末尾提一句「梯度方向是最速上升方向」,不深入。
  4. 维推广。国外教材会直接写 并讨论 维最优化,国内教材以二、三元为主。

10.4 考研大纲要求(数学一)

考研数学一大纲对「方向导数与梯度」的要求包括:方向导数的概念、方向导数的计算、梯度的概念、梯度的计算、梯度的几何意义。常考题型:

  1. 填空题:求某点处沿指定方向的方向导数(注意单位化,这是最常见的失分点);
  2. 填空题 / 解答题:求梯度、最大方向导数及其方向;
  3. 解答题:求曲面的切平面与法线(常与梯度结合);
  4. 概念选择题:判断「方向导数存在 / 可微 / 连续」之间关系的命题真假;
  5. 综合题:与多元极值结合(拉格朗日乘数法中「约束条件的梯度非零」这一前提)。

数学二、数学三对方向导数与梯度的要求较低:数学二一般不考方向导数与梯度;数学三要求了解方向导数与梯度的概念,但出题频率与深度明显低于数学一。

一句话总结对照

国内教材:重方向导数的定义细节(单侧极限)、重方向余弦形式、重与切平面法线的结合;国外教材:重梯度的向量场视角与图像、重柯西不等式的严格论证、重与优化算法的接口。考试按国内要求准备,直观与算法视角从国外教材补,具体以授课教材为准。

本篇小结

小结:把无穷多个方向压缩成一个向量

一句话 方向导数回答「沿任意方向有多陡」,公式是 ;梯度 就是把这些方向信息打包成的向量——它指向最陡上升方向,模长就是那个最陡的坡度,并且总是垂直于等高线。

① 必须记住的结论清单

  1. 方向导数定义:,其中 (必须单位化,且用单侧极限)。
  2. 可微 方向导数存在,且 (定理 8.1)。
  3. 方向导数存在 推不出 可微,甚至推不出连续(例题 5)。
  4. 梯度定义:(三元:);国内也写 。
  5. 三条核心性质:沿 方向增长最快,最大方向导数 ;沿 方向下降最快;垂直于 的方向变化率为 。
  6. 方向导数写成 , 是与梯度的夹角——所有方向信息都在这个余弦里。
  7. 梯度垂直于等值线(且指向函数值增大的一侧);三元情形: 是等值面的法向量。
  8. 的点:所有方向导数都是 ,可能是极大、极小或鞍点,需二阶判别。
  9. 梯度运算法则:, 等。
  10. 曲面 在 的切平面:;法线方向为 。
  11. 曲面 的法向量:。
  12. 判断两曲线正交的方法:验证两梯度点积为零。

② 最容易混淆的几组概念对照表

概念 A | 概念 B | 关键区别 | 例子

---|---|---|---

偏导数 | 方向导数 | 前者双侧极限,后者单侧极限 | :后者 ,前者不存在

方向导数 | 梯度的模 | 前者是数、依赖方向;后者是最大方向导数 | :沿 得 ,模是

梯度 | 全微分 | 前者是向量,后者是线性函数 | ,

沿梯度的方向 | 沿等值线的方向 | 前者最陡上升,后者变化率为零 | 二者互相垂直

方向导数存在 | 可微 | 前者弱得多 | 补零:方向导数都存在,不可微

| 极值点 | 前者是必要条件,可能是鞍点 | 在原点: 但是鞍点

最大变化率 | 最大变化率的方向 | 前者是数 ,后者是向量 | 常见答题失误:只答其一

方向 | 单位方向 | 后者是前者除以模 | 与

③ 通往后面章节的接口表

本篇概念 | 在哪里被升级 | 升级成什么

---|---|---

| 8-5-多元函数极值与拉格朗日乘数法 | 极值的必要条件;海森矩阵判别极大/极小/鞍点

梯度与等值线垂直 | 8-5-多元函数极值与拉格朗日乘数法 | 拉格朗日乘数法:(两曲线相切 ⟺ 两梯度平行)

最速下降方向 | 8-5-多元函数极值与拉格朗日乘数法 | 无约束极值的迭代解法(梯度下降)

梯度是等值面的法向量 | 9-5-曲面积分 | 曲面的法向量与面积元 的计算

梯度与向量场 | 9-3-曲线积分 | 第二类曲线积分 ;保守场与势函数

梯度(保守场判据) | 9-4-格林公式及其应用 | 路径无关性 ⟺ 存在势函数 ⟺

散度与旋度 | 9-6-高斯公式与斯托克斯公式 | 、 与 算子的完整图景

方向导数与链式法则 | 8-3-多元复合函数与隐函数求导 | (链式法则的向量形式)

相关笔记

  • 8-2-偏导数与全微分 — 本篇的直接前置:偏导数是两个特定方向的方向导数,全微分是切平面,而梯度是「把偏导数打包成向量」。
  • 8-1-多元函数的概念与极限连续 — 方向导数本质上是一个单侧极限;「沿所有方向导数存在但函数不连续」的反例与那里的路径依赖现象同源。
  • 8-3-多元复合函数与隐函数求导 — 方向导数公式 是链式法则的向量形式;「梯度垂直于等值线」的严格证明用到隐函数求导。
  • 8-5-多元函数极值与拉格朗日乘数法 — 给出极值的必要条件,而拉格朗日乘数法就是「两个梯度平行」。
  • 9-4-格林公式及其应用 — 梯度场是最简单的保守场,路径无关性与「存在势函数」的判据在那里展开。
  • 9-5-曲面积分 — 是曲面的法向量,曲面面积元与法向量的计算以本篇为基础。
  • 9-3-曲线积分 — 第二类曲线积分 的物理含义就是「沿路径做的功」,与方向导数同源。
  • 9-6-高斯公式与斯托克斯公式 — 把梯度、散度、旋度统一在 算子下,是本篇的自然延伸。

参考来源

  • Banner, The Calculus Lifesaver: The Complete Guide to Calculus and Its Applications(《普林斯顿微积分读本》)——多元部分讲方向导数与梯度的直观。教材本身,无 URL。对应 frontmatter 中 sources 第 1 条。
  • MathWorld, "Partial Derivative" ——偏导数的定义与记号,本篇的梯度分量与方向导数公式均以它为基础:https://mathworld.wolfram.com/PartialDerivative.html 。对应 frontmatter 中 sources 第 2 条。
  • MIT OpenCourseWare, 18.02SC Multivariable Calculus, Fall 2010 ——梯度、方向导数、最速上升与等高线垂直性的讲义与图像,本库参考其「梯度场叠加等高线」的讲法:https://ocw.mit.edu/courses/18-02sc-multivariable-calculus-fall-2010/ 。对应 frontmatter 中 sources 第 3 条。
  • 同济大学数学系《高等数学》下册,多元函数微分法及其应用一章的「方向导数与梯度」「曲面的切平面与法线」两节——国内标准叙述,含方向余弦形式与方向导数存在性的讨论。教材本身,无 URL。
  • 浙江大学《微积分》(苏德矿、吴明华等编)下册,多元函数微分学中「方向导数与梯度」部分——术语与记号以该书为准。教材本身,无 URL。
  • 《全国硕士研究生招生考试数学考试大纲》(数学一)——方向导数与梯度的考查要求。以当年最新大纲为准。