主要观点:在多元微积分中,雅可比矩阵(Jacobian)、黑塞矩阵(Hessian)和梯度(Gradient)都与多变量函数相关,它们虽都与导数有关,但各有特点和用途。
关键信息:
- 梯度:是由标量值函数的偏导数组成的向量,用于衡量函数在某点的增长方向和最快速率,如(\nabla{f}(x, y, z) = \begin{bmatrix} \frac{\partial f}{\partial x} \\[6pt] \frac{\partial f}{\partial y} \\[6pt] \frac{\partial f}{\partial z} \\ \end{bmatrix})。
- 黑塞矩阵:是标量值函数梯度的导数,如(Hf(x, y) = \nabla{}^2f(x, y) = \begin{bmatrix} f_{xx} & f_{xy} \\[6pt] f_{yx} & f_{yy} \\[6pt] \end{bmatrix}),可用于二次近似和判断函数的极值等。
- 雅可比矩阵:是向量值函数所有一阶偏导数组成的矩阵,如(Jh(f(x,y), g(x,y)) = \begin{bmatrix} f\_x & f\_y \\[6pt] g\_x & g\_y \\[6pt] \end{bmatrix}),可用于局部线性化向量值函数。
重要细节: - 计算梯度时,需先对函数求关于各变量的偏导数,如(f(x,y)=5x^2 + 3xy + 3y^3),(\frac{\partial f}{\partial x}=10x + 3y),(\frac{\partial f}{\partial y}=3x + 9y^2)。
- 黑塞矩阵的行列式在寻找多变量函数的局部极值中起作用,如(det\begin{pmatrix}\begin{bmatrix} 10 & 3 \\[6pt] 3 & 18y \\[6pt] \end{bmatrix}\end{pmatrix}=180y - 9)。
- 雅可比矩阵的行列式可用于判断空间在变换中的收缩或膨胀幅度,如(det\begin{pmatrix}\begin{bmatrix} 2xy & x^2 & 0 \\[6pt] 0 & -1 & 1 \\[6pt] 1 & 0 & 1 \\[6pt] \end{bmatrix}\end{pmatrix}=-2xy + x^2)。
- 文中提供了多个关于这些概念的学习资源,如Ask Ethan: What is A Scalar Field? - Forbes等。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。