这是梯度的核心，梯度向量指向函数值增长最快的方向。

1. 概念回顾：方向导数

首先，我们需要理解方向导数。方向导数衡量的是函数在特定方向上的变化率。

对于一个多元函数 \(f(\mathbf{x})\)，我们想知道它在点 \(\mathbf{x}\) 沿着一个单位向量 \(\mathbf{u}\)（即 \(|\mathbf{u}| = 1\)）方向上的变化率。这个变化率就是方向导数，记为 \(D_\mathbf{u}f(\mathbf{x})\)。

方向导数的计算公式是：

\[D_\mathbf{u}f(\mathbf{x}) = \nabla f(\mathbf{x}) \cdot \mathbf{u} \]

这个公式是证明的关键。它告诉我们，任意方向上的变化率等于梯度向量与该方向单位向量的点积。

2. 证明过程

我们要证明的是：当 \(\mathbf{u}\) 的方向与 \(\nabla f(\mathbf{x})\) 的方向相同时，\(D_\mathbf{u}f(\mathbf{x})\) 的值最大。

根据点积的定义，两个向量的点积等于它们模的乘积再乘以它们之间夹角的余弦：

\[\mathbf{a} \cdot \mathbf{b} = |\mathbf{a}| |\mathbf{b}| \cos\theta \]

所以，我们可以将方向导数公式写成：

\[D_\mathbf{u}f(\mathbf{x}) = |\nabla f(\mathbf{x})| |\mathbf{u}| \cos\theta \]

其中，\(\theta\) 是梯度向量 \(\nabla f(\mathbf{x})\) 和方向向量 \(\mathbf{u}\) 之间的夹角。

因为 \(\mathbf{u}\) 是一个单位向量，所以 \(|\mathbf{u}| = 1\)。
公式简化为：

\[D_\mathbf{u}f(\mathbf{x}) = |\nabla f(\mathbf{x})| \cos\theta \]

现在我们来分析这个表达式。\(\nabla f(\mathbf{x})\) 在一个确定的点 \(\mathbf{x}\) 处是固定不变的，所以 \(|\nabla f(\mathbf{x})|\) 也是一个常数。要使 \(D_\mathbf{u}f(\mathbf{x})\) 的值最大，我们只需要让 \(\cos\theta\) 的值最大。

我们知道，\(\cos\theta\) 的取值范围是 \([-1, 1]\)。它的最大值是 \(1\)。
当 \(\cos\theta = 1\) 时，\(\theta\) 的值为 \(0\)。
这意味着梯度向量 \(\nabla f(\mathbf{x})\) 和方向向量 \(\mathbf{u}\) 之间的夹角为 \(0\)。

如果两个向量之间的夹角为 \(0\)，就意味着它们的方向完全相同。

因此，当单位向量 \(\mathbf{u}\) 的方向与梯度向量 \(\nabla f(\mathbf{x})\) 的方向相同时，方向导数 \(D_\mathbf{u}f(\mathbf{x})\) 的值最大，其最大值为 \(|\nabla f(\mathbf{x})| \cdot 1 = |\nabla f(\mathbf{x})|\)。

3. 结论

梯度向量 \(\nabla f(\mathbf{x})\) 指向函数值增长最快的方向，而其模（长度）\(|\nabla f(\mathbf{x})|\) 就是在这个方向上的最大变化率。

反之，如果想要找到函数值下降最快的方向，我们应该让 \(\cos\theta\) 最小，即 \(\cos\theta = -1\)，此时 \(\theta = \pi\)（或 \(180^\circ\)），这意味着 \(\mathbf{u}\) 的方向与梯度向量 \(\nabla f(\mathbf{x})\) 的方向完全相反。这个方向就是负梯度方向 \(-\nabla f(\mathbf{x})\)，这也是梯度下降法（Gradient Descent）的数学原理。