视频字幕
方向导数是多元函数在某一点沿特定方向的变化率。考虑一个二元函数，它可以表示为一个曲面。在曲面上的某一点，如果我们沿着特定方向前进，函数值会如何变化？方向导数就是用来度量这种变化率的。从数学上看，方向导数定义为函数值沿该方向的变化量与移动距离之比的极限。具体来说，如果我们有一个函数f(x,y)，在点P沿单位向量l的方向导数，就是当t趋近于零时，函数值的增量除以t的极限。
梯度是一个向量，它表示函数在各个方向的变化率。对于二元函数f(x,y)，梯度是一个二维向量，由函数对x和y的偏导数组成。数学上，梯度记作nabla f，等于偏导数对x和偏导数对y组成的向量。以我们的例子函数f(x,y) = 1 + x² + y²，它的梯度是(2x, 2y)。在点(0.8, 0.6)处，梯度向量是(1.6, 1.2)。梯度向量的方向指向函数增长最快的方向，而它的长度表示最大的变化率。在图中，绿色箭头表示对x的偏导数，蓝色箭头表示对y的偏导数，红色箭头表示梯度向量，它是这两个偏导数向量的合成。
方向导数与梯度之间存在密切的关系。函数在某点沿任意方向l的方向导数，等于该点的梯度向量与方向l的单位向量的点积。用数学公式表示，就是偏导数对l等于梯度向量点乘l，也等于梯度的模长乘以l的模长再乘以它们夹角的余弦值。这个关系揭示了几个重要性质：首先，梯度方向是函数增长最快的方向，此时夹角为0，余弦值为1；其次，梯度的模长就是函数在该点的最大方向导数值；第三，在垂直于梯度的方向上，方向导数为零，因为夹角为90度，余弦值为0。在图中，红色箭头表示梯度方向，蓝色、绿色和黄色箭头表示不同的方向向量，我们可以看到它们与梯度的夹角不同，对应的方向导数也不同。
让我们通过一个具体例子来计算方向导数和梯度。考虑函数f(x,y) = x² + 2y²，我们要在点P(1,1)处，沿着方向(1,1)计算方向导数。首先，计算梯度。对x求偏导得到2x，对y求偏导得到4y，所以梯度向量是(2x, 4y)。在点(1,1)处，梯度为(2, 4)。接下来，我们需要将方向向量单位化。方向向量(1,1)的长度是根号2，所以单位方向向量是(1/根号2, 1/根号2)。最后，计算方向导数，即梯度与单位方向向量的点积。(2,4)点乘(1/根号2, 1/根号2)等于(2+4)/根号2，也就是6/根号2，即3根号2。这就是函数在点(1,1)处沿方向(1,1)的方向导数。从图中可以看到，梯度向量(2,4)与方向向量(1,1)之间有一个夹角，方向导数的值取决于这个夹角的余弦值。
让我们总结一下方向导数和梯度的关系。方向导数描述了函数在某点沿特定方向的变化率，它告诉我们函数在该方向上增长或减少的速度。梯度是一个向量，由函数对各个变量的偏导数组成，它指向函数增长最快的方向。方向导数与梯度的关系可以用公式表示：方向导数等于梯度与方向单位向量的点积，也等于梯度的模长乘以方向向量的模长再乘以它们夹角的余弦值。这个关系揭示了两个重要性质：梯度方向是函数增长最快的方向，梯度的模长等于函数在该点的最大方向导数。这些概念在物理学、计算机图形学、机器学习和最优化问题等领域有广泛应用。例如，在机器学习中，梯度下降算法就是基于梯度方向是函数下降最快的方向这一性质来优化模型参数的。