方向导数 \(D_\mathbf{u}f(\mathbf{x})\) 衡量了函数 \(f\) 在点 \(\mathbf{x}\) 处沿单位向量 \(\mathbf{u}\) 方向的变化率。要证明 \(D_\mathbf{u}f(\mathbf{x}) = \nabla f(\mathbf{x}) \cdot \mathbf{u}\)，我们可以使用多元函数链式法则。
首先，我们用极限来定义方向导数：
\[D_\mathbf{u}f(\mathbf{x}) = \lim_{h \to 0} \frac{f(\mathbf{x} + h\mathbf{u}) - f(\mathbf{x})}{h} \]
这个表达式与单变量函数导数的定义非常相似，它测量的是当自变量从 \(\mathbf{x}\) 沿着 \(\mathbf{u}\) 方向移动一小段距离 \(h\) 时，函数值的变化率。
为了计算这个极限，我们引入一个辅助函数。
定义一个单变量函数 \(g(t) = f(\mathbf{x} + t\mathbf{u})\)。
利用这个辅助函数，\(D_\mathbf{u}f(\mathbf{x})\) 的极限定义可以写成：
\[D_\mathbf{u}f(\mathbf{x}) = \lim_{h \to 0} \frac{g(h) - g(0)}{h} \]
这个极限正是函数 \(g(t)\) 在 \(t=0\) 处的导数，即 \(g'(0)\)。$$D_\mathbf{u}f(\mathbf{x}) = g'(0)$$
现在，我们只需计算 \(g'(t)\)，然后将 \(t=0\) 代入即可。我们可以使用多元函数链式法则来完成这个任务。
设 \(\mathbf{y}(t) = \mathbf{x} + t\mathbf{u}\)。这里，\(\mathbf{y}(t)\) 是一个向量函数，它的分量为：
\(\mathbf{y}(t) = (x_1 + tu_1, x_2 + tu_2, \dots, x_n + tu_n)\)
其中 \(\mathbf{x} = (x_1, \dots, x_n)\) 且 \(\mathbf{u} = (u_1, \dots, u_n)\)。
根据链式法则，
\[\frac{dg}{dt} = \frac{\partial f}{\partial y_1}\frac{dy_1}{dt} + \frac{\partial f}{\partial y_2}\frac{dy_2}{dt} + \dots + \frac{\partial f}{\partial y_n}\frac{dy_n}{dt} \]
我们计算每个分量对 \(t\) 的导数：
\(\frac{dy_i}{dt} = \frac{d}{dt}(x_i + tu_i) = u_i\)
将这些代入链式法则公式，且由于这里的 \(\frac{\partial f}{\partial y_i}\) ，由于最终求的是 \(g'(0)\) ,所以 \(y(0) = x + 0 u = x\), 故可以把\(\frac{\partial f}{\partial y_i}\) 变为 \(\frac{\partial f}{\partial x_i}\)。
\[g'(0) = \frac{dg}{dt} = \frac{\partial f}{\partial x_1}u_1 + \frac{\partial f}{\partial x_2}u_2 + \dots + \frac{\partial f}{\partial x_n}u_n \]
这个和式可以用向量点积的形式简洁地表示：
\[g'(0) = \frac{dg}{dt} = \left( \frac{\partial f}{\partial x_1}, \frac{\partial f}{\partial x_2}, \dots, \frac{\partial f}{\partial x_n} \right) \cdot (u_1, u_2, \dots, u_n) \]
左边的向量就是梯度 \(\nabla f(\mathbf{x})\)，右边的向量就是方向向量 \(\mathbf{u}\)。
所以，我们得到：
\[g'(0) = \frac{dg}{dt} = \nabla f(\mathbf{x}) \cdot \mathbf{u} \]
由于 \(D_\mathbf{u}f(\mathbf{x}) = g'(0)\)，且 \(\frac{dg}{dt}\) 与 \(t\) 无关，我们最终证明了：
\[D_\mathbf{u}f(\mathbf{x}) = \nabla f(\mathbf{x}) \cdot \mathbf{u} \]
这个公式的意义在于，它将方向导数（一个关于方向的概念）与梯度（一个固定的向量）联系起来，为计算任意方向上的变化率提供了一个简单、统一的方法。
在数学推导中很常见的“符号替换”或“滥用符号”的现象。
我们的任务是计算单变量函数 \(g(t) = f(\mathbf{y}(t))\) 的导数，其中 \(\mathbf{y}(t) = \mathbf{x} + t\mathbf{u}\)。
根据链式法则，我们得到：
\[g'(t) = \frac{dg}{dt} = \sum_{i=1}^{n} \frac{\partial f}{\partial y_i} \frac{dy_i}{dt} \]
这里的 \(\frac{\partial f}{\partial y_i}\) 是函数 \(f\) 对其第 \(i\) 个输入变量的偏导数。
关键点来了：当我们写出 \(\frac{\partial f}{\partial y_i}\) 时，它是在函数 \(f\) 的自变量是向量 \(\mathbf{y}\) 时计算的。具体来说，这个偏导数是在点 \(\mathbf{y}(t)\) 处计算的。所以，更严谨的写法应该是：
\[\frac{\partial f}{\partial y_i} \bigg|_{\mathbf{y}=\mathbf{y}(t)} = \frac{\partial f}{\partial y_i} (\mathbf{y}(t)) \]
我们再看一眼 \(\mathbf{y}(t)\) 的定义：\(\mathbf{y}(t) = \mathbf{x} + t\mathbf{u}\)。
这意味着 \(\mathbf{y}\) 的分量是：\(y_i = x_i + tu_i\)。
在我们的证明中，\(\mathbf{x}\) 是一个固定的点，而 \(\mathbf{y}\) 是一个从\(\mathbf{x}\)出发，沿着方向 \(\mathbf{u}\) 运动的点。
当我们在讨论 \(f(\mathbf{y})\) 的偏导数时，我们是在讨论函数 \(f\) 在任意点 \(\mathbf{y}\) 处的偏导数。
而当我们在讨论 \(f(\mathbf{x})\) 的偏导数时，我们是在讨论函数 \(f\) 在特定点 \(\mathbf{x}\) 处的偏导数。
在最终的推导中，我们需要的其实是 \(g'(0)\)，也就是 \(t=0\) 时的导数。
\[g'(0) = \sum_{i=1}^{n} \frac{\partial f}{\partial y_i} \bigg|_{t=0} \frac{dy_i}{dt} \bigg|_{t=0} \]
当 \(t=0\) 时：
由于 \(\mathbf{y}\) 的分量是：\(y_i = x_i + tu_i\)。带入 \(t=0\) 后可知 \(y_i = x_i + 0*u_i = x_i\)
即 当 \(t=0\) 时，\(y_i = x_i\)
所以，整理后得：
\[D_\mathbf{u}f(\mathbf{x}) = g'(0) = \sum_{i=1}^{n} \frac{\partial f}{\partial x_i} u_i = \nabla f(\mathbf{x}) \cdot \mathbf{u} \]
在数学写作中，尤其是在一些教科书或推导中，为了简化符号，人们常常会省略对自变量的显式标记。
当推导进行到 \(\frac{dg}{dt} = \sum_{i=1}^{n} \frac{\partial f}{\partial y_i} \frac{dy_i}{dt}\) 时，作者知道最终我们关心的是 \(t=0\) 时的值。而当 \(t=0\) 时，\(\mathbf{y}(0) = \mathbf{x}\)。所以，这里的 \(\frac{\partial f}{\partial y_i}\) 实际上就是在点 \(\mathbf{x}\) 处计算的偏导数。
因此，“这里的 \(\frac{\partial f}{\partial y_i}\) 已经根据链式法则的规则被视为 \(\frac{\partial f}{\partial x_i}\)” 实际上是一种符号上的简化。它意味着，因为我们最终关心的就是 \(t=0\) 的情况（也就是在 \(\mathbf{x}\) 点），所以我们可以把符号 \(\frac{\partial f}{\partial y_i}\) 视为与 \(\frac{\partial f}{\partial x_i}\) 是同一个东西，因为它都代表了函数 \(f\) 在点 \(\mathbf{x}\) 对其第 \(i\) 个自变量的偏导数。
简而言之，虽然在推导过程中我们使用了辅助变量 \(\mathbf{y}\)，但由于最终的求导是在 \(\mathbf{x}\) 点进行的，所以这些偏导数本质上就是函数 \(f\) 在点 \(\mathbf{x}\) 处的偏导数。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。