方向导数与梯度 —— 罗盘造好了，指向最陡处

本课导读

第 4 课量了东向和北向的坡度，第 6 课造好了链式法则——今天合体解锁本单元最漂亮的一课。方向导数：任意方向的坡度，一个点积搞定；梯度向量 $\nabla f$：把两个偏导数装进一支向量，它自动指向最陡上坡方向、模长恰是最大坡度、并且垂直于等高线。一支向量身兼三职，是机器学习"梯度下降"、物理"势场"、登山直觉的共同数学芯。预计 50 分钟。

🔧 30 秒回顾 · 本课要用的旧手艺（熟练可跳过）

① 点积两副面孔：坐标版 $\vec{u}\cdot\vec{v} = u_1v_1 + u_2v_2$；几何版 $= |\vec{u}||\vec{v}|\cos\theta$。微例：$(2,4)\cdot(\tfrac{3}{5}, \tfrac{4}{5}) = \tfrac{6}{5} + \tfrac{16}{5} = \tfrac{22}{5}$——例题 1 原式。⚠️ 翻车点：点积是数不是向量。

② 单位化：$\vec{v}$ 的同向单位向量 = $\vec{v}/|\vec{v}|$。微例：$(3, 4)$ 单位化 → $(\tfrac{3}{5}, \tfrac{4}{5})$（模长 $\sqrt{9+16} = 5$）。⚠️ 翻车点：忘了单位化直接用原向量——本课头号事故。

③ cos 的极值：$\cos\theta$ 在 $\theta = 0$ 取最大 $1$、$\theta = \pi$ 取最小 $-1$、$\theta = \tfrac{\pi}{2}$ 时为 $0$。微例：梯度三大性质的全部证明就靠这一行。⚠️ 翻车点：无。

方向导数：任意方向的坡度

第 4 课的 $f_x, f_y$ 只回答"正东""正北"两个方向。往东北方向走呢？往任意方向 $\vec{u}$ 走呢？

定义：设 $\vec{u} = (u_1, u_2)$ 是单位向量，$f$ 在点 $(a, b)$ 沿 $\vec{u}$ 的方向导数是

$$D_{\vec{u}} f(a, b) = \lim_{h \to 0} \frac{f(a + h u_1,\, b + h u_2) - f(a, b)}{h}$$

即"沿 $\vec{u}$ 方向每走单位距离，$f$ 变多少"。偏导数是它的特例：$\vec{u} = (1, 0)$ 时就是 $f_x$，$\vec{u} = (0, 1)$ 时就是 $f_y$。

按定义算极限太苦。链式法则（上一课的发动机）一步到位：沿 $\vec{u}$ 走参数化为 $x = a + tu_1,\ y = b + tu_2$，则 $\frac{dx}{dt} = u_1, \frac{dy}{dt} = u_2$，链式法则给出 $\frac{dz}{dt} = f_x u_1 + f_y u_2$。于是：

$$\boxed{\,D_{\vec{u}} f = f_x u_1 + f_y u_2 = \nabla f \cdot \vec{u}\,}$$

右边那个新符号就是本课主角：

梯度向量

定义：$f$ 的梯度（gradient）是把两个偏导数装进一支向量：

$$\nabla f = \left(f_x,\; f_y\right)$$

（$\nabla$ 读"nabla"或"del"。）于是方向导数 = 梯度点乘方向——一次点积，任意方向的坡度全部到手。

例题 1 · 全流程

$f(x, y) = x^2 + y^2$，在点 $(1, 2)$ 处沿"朝向点 $(4, 6)$"的方向，求方向导数。

✅ 解法展开

第 1 步 · 梯度：$\nabla f = (2x, 2y)$，在 $(1,2)$ 处 $\nabla f = (2, 4)$。

第 2 步 · 方向单位化：从 $(1,2)$ 指向 $(4,6)$ 的向量是 $(3, 4)$，模长 5，单位化 $\vec{u} = \left(\tfrac{3}{5}, \tfrac{4}{5}\right)$（🔧 工具箱 ②）。

第 3 步 · 点积（🔧 工具箱 ①）：

$$D_{\vec{u}} f = (2, 4) \cdot \left(\tfrac{3}{5}, \tfrac{4}{5}\right) = \tfrac{6}{5} + \tfrac{16}{5} = \tfrac{22}{5} = 4.4$$

读义：沿该方向每走 1 单位，$f$ 约涨 4.4——比正东（$f_x = 2$）和正北（$f_y = 4$）都陡。那最陡能到多少？往下看。

梯度的三大性质

把点积换上几何面孔（🔧 工具箱 ①③）：$D_{\vec{u}} f = \nabla f \cdot \vec{u} = |\nabla f|\,\underbrace{|\vec{u}|}_{=1}\cos\theta = |\nabla f|\cos\theta$，其中 $\theta$ 是 $\vec{u}$ 与 $\nabla f$ 的夹角。方向导数随 $\theta$ 起落，全部剧情一目了然：

1. 最陡上坡：$\theta = 0$（沿梯度方向）时 $D_{\vec{u}}f$ 取最大值 $|\nabla f|$——梯度指向函数增长最快的方向，模长就是最大增长率
2. 最陡下坡：$\theta = \pi$（逆梯度）时取最小值 $-|\nabla f|$——机器学习"梯度下降"六个字的全部含义：沿 $-\nabla f$ 挪参数，损失函数降得最快
3. 平走：$\theta = \tfrac{\pi}{2}$ 时 $D_{\vec{u}}f = 0$——垂直于梯度的方向高度不变，而"高度不变的方向"正是等高线的切向。于是：梯度处处垂直于等高线

第 2 课的登山地图直觉全部获得代数引擎：站在山坡上，$\nabla f$ 是罗盘——指哪，哪就是最陡上坡；它的反向是滑雪教练的下山路线；顺着等高线横切则与它垂直，走得毫不费力。等高线越密处 $|\nabla f|$ 越大——"密 = 陡"从此有了度量。

例题 2 · 三大性质连答

继续例题 1 的 $f = x^2 + y^2$、点 $(1, 2)$。(a) 哪个方向增长最快？最大增长率多少？(b) 哪个方向下降最快？(c) 验证梯度垂直于过该点的等高线。

✅ 解法展开

(a) 最快增长方向 = 梯度方向：$(2, 4)$ 单位化得 $\left(\tfrac{1}{\sqrt{5}}, \tfrac{2}{\sqrt{5}}\right)$；最大增长率 $= |\nabla f| = \sqrt{4 + 16} = 2\sqrt{5} \approx 4.47$。（例题 1 的 4.4 果然没到顶，但那方向与梯度夹角很小，已接近极限。）

(b) 反方向 $\left(-\tfrac{1}{\sqrt{5}}, -\tfrac{2}{\sqrt{5}}\right)$，变化率 $-2\sqrt{5}$。

(c) 过 $(1,2)$ 的等高线是 $x^2 + y^2 = 5$——半径 $\sqrt{5}$ 的圆。圆在该点的切向垂直于半径方向 $(1, 2)$，例如取 $(-2, 1)$。验证：$\nabla f \cdot (-2, 1) = (2,4)\cdot(-2,1) = -4 + 4 = 0$ ✅——梯度（沿半径向外）与等高线切向垂直，同时"向外 = 离山脚越远越高"与碗形曲面的直觉一致。

✍️ 练习

练习 1 · 方向导数基本功

$f(x, y) = x^2y - y^3$，点 $(2, 1)$，方向为 $\vec{v} = (4, -3)$。求 $D_{\vec{u}}f$（注意 $\vec{v}$ 不是单位向量）。

✅ 参考答案

$\nabla f = (2xy,\; x^2 - 3y^2)$，在 $(2,1)$ 处 $= (4, 1)$。单位化 $\vec{u} = \left(\tfrac{4}{5}, -\tfrac{3}{5}\right)$（模长 5）。

$$D_{\vec{u}}f = (4, 1)\cdot\left(\tfrac{4}{5}, -\tfrac{3}{5}\right) = \tfrac{16}{5} - \tfrac{3}{5} = \tfrac{13}{5}$$

（直接用 $(4,-3)$ 点积会得 13——虚高 5 倍，就是没单位化的代价。）

练习 2 · 寻找最陡路线

温度场 $T(x, y) = 100 - x^2 - 2y^2$，你站在 $(3, 2)$。(a) 朝哪个方向走升温最快？升温率多少？(b) 朝哪个方向走温度不变？

✅ 参考答案

$\nabla T = (-2x, -4y)$，在 $(3,2)$ 处 $= (-6, -8)$。

(a) 沿梯度：单位化 $\left(-\tfrac{3}{5}, -\tfrac{4}{5}\right)$（模长 10）；最大升温率 $|\nabla T| = 10$。注意方向是"朝原点那边"——温度场在原点最热，梯度自动指向热源，不需要你先知道热源在哪。

(b) 垂直于梯度的两个方向：$\left(\tfrac{4}{5}, -\tfrac{3}{5}\right)$ 或 $\left(-\tfrac{4}{5}, \tfrac{3}{5}\right)$——沿等温线横走。

练习 3 · 等高线垂直性

$f(x, y) = xy$，点 $(2, 3)$。写出过该点的等高线方程，求该点处梯度，并验证两者垂直。

✅ 参考答案

等高线：$xy = 6$（双曲线，第 2 课的指纹库）。$\nabla f = (y, x) = (3, 2)$。

双曲线 $y = 6/x$ 在 $x = 2$ 处切线斜率 $y' = -6/x^2 = -\tfrac{3}{2}$，切向量可取 $(2, -3)$。验证：$(3, 2)\cdot(2, -3) = 6 - 6 = 0$ ✅。梯度⊥等高线对任何函数成立——不挑圆，双曲线照样服帖。

📝 随堂测验

随堂测验0 / 5 题正确

1. 方向导数公式 $D_{\vec{u}}f = \nabla f \cdot \vec{u}$ 对 $\vec{u}$ 的要求是？

A必须是单位向量——题目给长向量或“朝向某点”时先单位化B任意非零向量都行C必须沿坐标轴D必须与梯度同向

2. 梯度向量 $\nabla f$ 在一点处指向？

A函数下降最快的方向B函数增长最快的方向，且模长 $|\nabla f|$ 等于最大增长率C等高线的切线方向D永远指向原点

3. 机器学习“梯度下降”每一步沿 $-\nabla f$ 更新参数，因为？

A$-\nabla f$ 计算更简单B沿它走损失函数保持不变C沿它一步就能到最小值D$\theta = \pi$ 时 $D_{\vec{u}}f = -|\nabla f|$ 取最小——它是局部下降最快的方向

4. 梯度与等高线的关系是？

A梯度与等高线平行B只在圆形等高线时垂直C处处垂直：沿等高线方向函数值不变（方向导数为零），而变化率为零意味着与梯度夹角 90°D两者无固定关系

5. 偏导数 $f_x$ 与方向导数的关系是？

A$f_x$ 比方向导数更精确B$f_x$ 就是 $\vec{u} = (1, 0)$（正东）时的方向导数——方向导数是它的全方位推广C二者无关D方向导数是 $f_x$ 与 $f_y$ 的平均值

本课小结

• 方向导数 $D_{\vec{u}}f = \nabla f \cdot \vec{u}$（$\vec{u}$ 必须单位化）：任意方向的坡度一次点积到手；偏导数是它在正东/正北的特例
• 梯度 $\nabla f = (f_x, f_y)$ 三大性质（全部出自 $D_{\vec{u}}f = |\nabla f|\cos\theta$）：指向最陡上坡、模长 = 最大增长率；反向 = 最陡下坡（梯度下降的数学芯）；处处垂直于等高线，沿线变化率为零
• 等高线密度 = $|\nabla f|$ 大小——第 2 课"密 = 陡"升级为定理
• 公式由链式法则一行推出——上一课的伏笔兑现

下一课攀顶：极值。山顶和山谷处罗盘失灵（$\nabla f = 0$），这些"驻点"里藏着极大、极小和冒牌货鞍点——二阶偏导数组装的判别式负责验明正身。