知乎鏈結
導數不僅僅表示該點切線的斜率，還反應了函式在該點的變化率。
偏導數僅僅是表示某點在x方向的導數和再y軸方向的導數。
這反應了偏導數的侷限性，僅僅是多元函式沿著座標軸的變化率，但是如上圖，在m0點處存在很多方向的偏導數（並不僅僅x和y方向）。這就引出了方向導數。
我們不僅僅要知道函式在座標軸方向上的變化率（即偏導數）還需要設法求得函式在其他方向上的變化率。而方向導數就是函式在其他特定方向上的變化率。
方向導數的定義和導數定義類似，只不過是在多個維度上。例如在三維空間中：
設三元函式f在點p0（x0，y0，z0）的某鄰域內有定義，l為從點p0出發的射線，p（x，y，z）為l上且含於鄰域內的任一點，以ρ（rou）表示p和p0兩點間的距離。若極限
lim（ (f(p)-f(p0)) / ρ ）= lim （△l f / ρ）（當ρ→0時）
存在，則稱此極限為函式f在點p0沿方向l的方向導數
由上面的方向導數可知，方向導數是在各個方向上都有，而且每個方向上的變化一般是不一樣的，那到底沿哪個方向最大呢?沿哪個方向最小呢?為了研究方便,就有了梯度的定義。
下圖是梯度的定義：
梯度是眾多方向導數中最大的那個向量，這個方向就用梯度來表示（grad=ai+bj）這個向量來表示，其中a是函式在x方向上的偏導數，b是函式在y方向上的偏導數，梯度的模就是這個最大方向導數的值。
全微分 偏導數 方向導數 梯度 全導數
就是對某一變數求導，把其他變數作為常數 可以認為偏導數是特殊的方向導數，是在自變數方向上的方向導數。任意方向導數為 方向導數是為了求函式值在某個點沿某個方向的變化率 梯度則是為了求函式值在某個點處變化率最大的方向，梯度由各個軸的偏導函式組成 全導數本質上就是一元函式的導數。他是針對復合函式而言的定義...
函式的梯度方向和切線方向 偏導數 方向導數與梯度
兩個變數的函式 值域為 圖 graph 是所有點 集合，使得 多變數函式的定義與兩個變數的函式類似。函式相對於它的某個自變數的偏導數，是假定其他自變數不變時，對該自變數的導數。對於兩個變數的函式 它的偏導數 和 定義為 和其他表示方法有 單變數函式中，函式的圖是乙個二維平面上的曲線，導數對應了一條直...
直觀理解梯度，以及偏導數 方向導數和法向量等
目錄部落格 blog.shinelee.me csdn 梯度是微積分中的基本概念，也是機器學習解優化問題經常使用的數學工具 梯度下降演算法 雖然常說常聽常見，但其細節 物理意義以及幾何解釋還是值得深挖一下，這些不清楚，梯度就成了 熟悉的陌生人 僅僅 記住就完了 在用時難免會感覺不踏實，為了 用得放心...