xmlns="http://www.w3.org/2000/svg"

style="display:

none;">

引言

微积分是科学的语言，而微分是其灵魂。

从一维导数到流形上的切映射，微分的本质始终是一个线性映射。

本文将从这一核心观点出发，系统梳理微积分中一系列重要概念：导数、微分、雅可比矩阵、方向导数、梯度、链式法则、Hessian、切映射、拉回等，揭示它们背后的统一结构。

更重要的是，我们将用

Python

代码可视化这些概念，让你直观地看到微分如何“线性化”非线性函数。

本文所有代码均使用

Python

编写，你可以复制到自己的环境中运行，观察图形变化。

1.

一维导数的重新解读——从“数”到“线性映射”

1.1

(f:\mathbb{R}\to\mathbb{R})，导数定义为
[
f’(x)=\lim_{h\to

0}\frac{f(x+h)-f(x)}{h}.
]
这个定义直观地告诉我们：导数就是瞬时变化率。

但它容易让人误以为导数只是一个数。

1.2

微分的最佳定义：线性近似

真正统一的定义是：存在一个线性映射(df_x:\mathbb{R}\to\mathbb{R})，使得
[
f(x+h)=f(x)+df_x(h)+o(|h|)\quad

(h\to

0).
]
在一维中，线性映射必为乘以某个常数：(df_x(h)=f’(x)\cdot

(f’(x))

处的切线，直观展示线性近似。

importnumpyasnpimportmatplotlib.pyplotaspltdeff(x):returnx**2defdf(x):return2*x
x0=2h=0.5#
hx=np.linspace(1,3,100)y=f(x)#
切线：y
x0)tangent=f(x0)+df(x0)*(x-x0)plt.figure(figsize=(8,5))plt.plot(x,y,label=r'$f(x)=x^2$')plt.plot(x,tangent,'--',label=f'Tangent
x={x0}')plt.scatter([x0],[f(x0)],color='red')plt.annotate(f'({x0},{f(x0)})',(x0,f(x0)),xytext=(x0+0.2,f(x0)+1))plt.xlabel('x')plt.ylabel('f(x)')plt.title('Linear
approximation
$x=2$')plt.legend()plt.grid(True)plt.show()

输出解释：你会看到一条抛物线，以及它在点

(2,4)

(F:\mathbb{R}^{n\to\mathbb{R}}m)

对于向量值函数

(F(x)=(F_1(x),\dots,F_m(x)))，可微性要求存在线性映射

(dF_x:\mathbb{R}^{n\to\mathbb{R}}m)

使得
[
F(x+h)=F(x)+dF_x(h)+o(|h|).
]

2.2

(J_F(x))，其元素为

y^3))

雅可比矩阵为
[
J_F(x,y)=\begin{pmatrix}2x

&

3y^2\end{pmatrix}.
]

2.4

(F_1(x,y)=x^2+y)

处的切平面。

frommpl_toolkits.mplot3dimportAxes33DdefF1(x,y):returnx**2+y
x=np.linspace(0,2,20)y=np.linspace(-1,1,20)X,Y=np.meshgrid(x,y)Z=F1(X,Y)#
(1,0)
处x0,y0=1.0,0.0z0=F1(x0,y0)#
偏导数df_dx=2*x0
df_dy=1.0#
切平面：z
df_dy*(y-y0)X_plane,Y_plane=np.meshgrid(x,y)Z_plane=z0+df_dx*(X_plane