ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

机器学习微积分入门
章节 1: 机器学习为何需要微积分?
数学在机器学习中的地位
函数介绍:输入与输出
函数的可视化:图
什么是极限?
对极限的直观理解
函数与极限在机器学习中的关联
第 1 章测验
章节 2: 导数:衡量变化
变化率:平均变化率与瞬时变化率
导数:切线的斜率
导数记法(莱布尼茨和拉格朗日)
导数的计算:幂法则
导数计算:常数与和
高阶导数介绍
练习:计算简单导数
第 2 章测验
章节 3: 导数优化
寻找最大值和最小值点
优化:为什么最小化或最大化?
机器学习中的代价函数
目标:最小化成本函数
梯度下降简介
导数如何指导梯度下降
梯度下降的可视化
第 3 章测验
章节 4: 处理多输入:偏导数
多变量函数
偏导数:其思想
计算偏导数
偏导数记法
梯度向量
梯度的几何含义
练习:计算偏导数和梯度
第 4 章测验
章节 5: 微积分的运用:简单优化
回顾:优化目标与梯度下降
示例:简单线性回归模型
为线性回归定义成本函数
计算成本函数的梯度
执行梯度下降的单次更新
学习率参数
整合:优化过程
实践操作:手动梯度计算
第 5 章测验

导数记法(莱布尼茨和拉格朗日)

既然我们已经了解导数表示瞬时变化率,或者函数图线上某一点的切线斜率,我们来看看它的写法。就像不同的编程语言对类似事物有不同的语法一样,数学家们也发展出了几种常见的导数表示方法。熟悉这些记法很重要,因为你会在机器学习 (machine learning)的文献和资料中经常遇到它们。

拉格朗日记法:撇号

最常见和直接的记法之一由约瑟夫-路易斯·拉格朗日引入。如果你有一个函数,比如 f(x)f(x)f(x),它的导数通常写成 f′(x)f'(x)f′(x)。这读作“f 撇 x”(f prime of x)。

撇号(′'′) 只是表示我们正在讨论原始函数 fff 的导数。

  • 如果函数是 f(x)=x2f(x) = x^2f(x)=x2,那么它的导数是 f′(x)=2xf'(x) = 2xf′(x)=2x。(我们很快就会学到如何计算它)。
  • 如果函数用不同的变量定义,例如 g(t)g(t)g(t),它的导数是 g′(t)g'(t)g′(t)。
  • 如果我们在讨论函数的输出 y=f(x)y = f(x)y=f(x),有时导数会写成 y′y'y′。

这种记法紧凑,并清楚地将导数与原始函数名(fff,ggg 等)联系起来。当你在特定点求导数的值时,它特别方便。例如,f′(3)f'(3)f′(3) 表示“函数 fff 在 x=3x=3x=3 处的导数。”

莱布尼茨记法:无穷小量之比

另一种广泛使用的记法来自微积分的发明者之一戈特弗里德·威廉·莱布尼茨。这种记法看起来像一个分数:

dydx\frac{dy}{dx}dxdy​

你通常把它读作“y 对 x 的导数”,有时也读作“dy dx”。

我们来分析一下:

  • 回想一下,直线的斜率是 yyy 的变化量除以 xxx 的变化量,通常写成 ΔyΔx\frac{\Delta y}{\Delta x}ΔxΔy​(读作“delta y 比 delta x”)。
  • 导数是这个比值的极限,当 xxx 的变化量变得无穷小时。
  • 莱布尼茨使用 dydydy 和 dxdxdx(用 'd' 代替 'Δ\DeltaΔ')来表示这些无穷小的变化。

因此,dydx\frac{dy}{dx}dxdy​ 直观地表示了 yyy 发生无穷小变化是由 xxx 发生无穷小变化所引起的。它强调了输出变量 (yyy) 是相对于哪个变量 (xxx) 而变化的。

如果我们的函数明确写为 f(x)f(x)f(x),例如 f(x)=x2f(x) = x^2f(x)=x2,莱布尼茨记法可能如下所示:

ddxf(x)或者ddx(x2)\frac{d}{dx} f(x) \quad \text{或者} \quad \frac{d}{dx} (x^2)dxd​f(x)或者dxd​(x2)

在这里,ddx\frac{d}{dx}dxd​ 类似于一个运算符,意思是“对后面跟着的表达式求关于 xxx 的导数。”因此,ddx(x2)=2x\frac{d}{dx} (x^2) = 2xdxd​(x2)=2x。

为何有两种记法?

这两种记法在不同情境下都有用处:

  • 拉格朗日记法(f′(x)f'(x)f′(x)): 在处理函数和计算其在特定点的值时,通常更清晰。它很简洁。
  • 莱布尼茨记法(dydx\frac{dy}{dx}dxdy​): 非常清楚我们是关于哪个变量进行求导。在处理多变量函数(我们将在后续章节看到)或处理相关变化率时,这会特别有用。例如,如果成本 (CCC) 取决于模型参数 (parameter) (www),dCdw\frac{dC}{dw}dwdC​ 清楚地说明了我们关注的是成本随参数 www 变化而变化的状况。

你不需要只选择一种。你会看到两种记法都被使用,有时甚至同时出现。重要的是要识别它们,并明白 f′(x)f'(x)f′(x) 和 dydx\frac{dy}{dx}dxdy​(当 y=f(x)y=f(x)y=f(x) 时)指的是同一个基本思想:函数 fff 关于其输入 xxx 的导数。

在接下来的章节中,我们将开始使用这些记法,在我们学习如何实际计算导数的规则时。

  • 18.01SC Single Variable Calculus, Jerison, David, Mattuck, Arthur, Miller, Haynes, Brubaker, Benjamin, Orloff, Jeremy, Burgiel, Heidi, Breiner, Christine, Jordan, David, Lewis, Joel, 2010 (Massachusetts Institute of Technology) - 一门免费的在线课程,提供基础微积分概念,包括莱布尼茨和拉格朗日的导数符号。

© 2026 ApX Machine Learning