微分的本质：从“变化率”到“线性映射”的飞跃 —— 可视化 Python 教程

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 3 + NumPy + Matplotlib 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 传统定义的局限

对于一元函数 (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 h)。所以 (f’(x)) 只是这个线性映射的坐标表示。

1.3 例子：(f(x)=x^2) 在 (x=2) 处

计算得 (f’(2)=4)，微分 (df_2(h)=4h)。对于 (h=0.1)，近似值 (f(2)+4\times0.1=4.4)，真实值 (4.41)，误差很小。

1.4 可视化：绘制函数及其切线

下面的代码绘制 (f(x)=x^2) 及其在 (x=2) 处的切线，直观展示线性近似。

importnumpyasnpimportmatplotlib.pyplotaspltdeff(x):returnx**2defdf(x):return2*x x0=2h=0.5# 为了图示清晰，取稍大的 hx=np.linspace(1,3,100)y=f(x)# 切线：y = f(x0) + f'(x0)*(x - 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 at 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 of $f(x)=x^2$ at $x=2$')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) 处的切线。切线就是微分 (df_2) 的几何表现——它将局部的曲线近似为直线。

2. 多维映射的微分——雅可比矩阵的真面目

2.1 映射 (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 坐标表示：雅可比矩阵

在标准基下，(dF_x) 的矩阵就是雅可比矩阵 (J_F(x))，其元素为 (\frac{\partial F_i}{\partial x_j})。

2.3 例子：(F(x,y)=(x^2+y,; \sin x + y^3))

雅可比矩阵为
[
J_F(x,y)=\begin{pmatrix}2x & 1\ \cos x & 3y^2\end{pmatrix}.
]

2.4 可视化：绘制曲面和切平面

我们取第一个分量 (F_1(x,y)=x^2+y) 为例，绘制它的图像（一个抛物柱面）以及在点 ((1,0)) 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)# 在点 (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 = z0 + df_dx*(x-x0) + df_dy*(y-y0)X_plane,Y_plane=np.meshgrid(x,y)Z_plane=z0+df_dx*(X_plane