企业官网建设流程全解析

第17课掌握偏导数：固定其余变量，单变量变化率。
本节课两大核心工具全微分、多元链式法则，是反向传播完整推导的核心骨架：

1. 全微分：刻画多元函数所有参数同步微小变动带来的总损失变化；
2. 多元链式法则：多层网络嵌套复合函数求导必备，解决“输入→权重→激活→损失”多层嵌套求偏导问题。

AI核心价值
3. 全微分对应单次迭代中，所有权重微小调整带来的总误差变化；
4. 多元链式法则 = 反向传播数学原型，没有链式法则无法推导多层神经网络梯度；
5. 打通单层偏导到多层网络梯度传递的逻辑闭环。

前置基础：导数、一元链式求导、多元函数。
目标：看懂神经网络损失函数、梯度下降的底层数学。
开篇导入
一元函数 y=f(x)，只有一个自变量，导数描述唯一的变化率。
但现实世界、AI模型几乎全是多元函数：
损失函数取决于几百万、上亿个权重参数；一个输出同时受几十上百个变量共同影响。
问题来了：很多变量同时在变，怎么单独看某一个变量带来的变化？
这就是偏导数要解决的问题。
什么是偏导数
定义人话：把其余所有变量全部固定不动，只允许其中一个变量发生微小变化，求这个方向上的变化率。
二元函数举例 z=f(x,y)
对 x 的偏导数：\displaystyle \frac{\partial f}{\partial x}
👉固定y不变，只让x动，求变化率。
对 y 的偏导数：\displaystyle \frac{\partial f}{\partial y}
👉固定x不变，只让y动，求变化率。
符号小提示：
偏导符号\partial，和一元导数d区分开，代表：还有别的变量被按住不动。
几何图像
想象一张三维曲面 z=f(x,y)。
1.求\frac{\partial f}{\partial x}：把y固定，相当于用一个竖直平面横向切曲面，切出来一条曲线；偏导数就是这条曲线的切线斜率。
2.求\frac{\partial f}{\partial y}：把x固定，纵向切曲面，得到另一条曲线，取切线斜率。
书稿金句：
偏导数，就是高维曲面，沿着某一个坐标轴方向上的局部斜率。
AI直观例子
损失函数 L(w_1,w_2)，损失受权重w_1、w_2共同控制。
\frac{\partial L}{\partial w_1}：把w_2锁死不动，仅仅改动w_1，看损失上升还是下降。
梯度下降更新权重，靠的就是每一个权重对应的偏导数。
2.工具一：全微分
一元函数微分：dy = f’(x),dx
含义：自变量微小变化dx，带来输出y的近似改变量dy。
多元函数，每个变量都可以产生一份贡献。
二元函数全微分公式：
dz=\frac{\partial f}{\partial x}dx+\frac{\partial f}{\partial y}dy
人话解读：
z的总微小变化 = x变动带来的变化贡献 + y变动带来的变化贡献。
每个变量各自产生一份改变，全部直接相加。
拓展到n维（AI真实场景，上亿参数）
dL=\frac{\partial L}{\partial w_1}dw_1+\frac{\partial L}{\partial w_2}dw_2+\dots+\frac{\partial L}{\partial w_n}dw_n
关键理解：
全微分告诉我们，总变化量，是所有各个维度偏导数，分别乘各自微小扰动之后的总和。
神经网络做扰动分析、梯度、泰勒展开，根基就是全微分。
⚠️注意：全微分成立前提，函数需要足够光滑连续；如果曲面出现尖角、断裂，全微分失效。
3.工具二：多元链式法则（本课重中之重，神经网络反向传播的心脏）
回顾一元链式法则
y=f(u),\ u=g(x)
\frac{dy}{dx}=\frac{dy}{du}\cdot\frac{du}{dx}
多元情况复杂度上来：中间变量不止一个。
举标准模型：
z = f(u,v)，而 u、v 又都是 x,y 的函数
u=u(x,y),\quad v=v(x,y)
求z对x的偏导：
\frac{\partial z}{\partial x}=
\frac{\partial z}{\partial u}\frac{\partial u}{\partial x}
+\frac{\partial z}{\partial v}\frac{\partial v}{\partial x}
人话翻译：
想要看x改变对z造成多大影响：
x先改变u，u再改变z；
同时x还改变v，v再改变z；
两条传播路径全部算出来，结果相加。
核心思想：所有可以传导过去的路径，全部算一遍，路径结果做加法。
这就是神经网络反向传播的数学本质。
误差Loss，顺着网络一层一层反向往回传导，每一层都跑一遍多元链式法则，算出每一个权重的偏导数。
AI大模型通俗类比
损失就像源头的水流。
误差要回流更新每一个权重；
一条误差可以通过多条通路传递到同一个参数；
多元链式法则，就是把每一条通路的贡献全部求和。
4、梯度概念自然引出（承上启下）
把全部偏导数打包成一个向量，就是梯度：
\nabla f=\left( \frac{\partial f}{\partial x},\frac{\partial f}{\partial y} \right)
梯度向量每一个分量，就是对应方向的偏导数。
梯度下降：沿着梯度反方向，更新全部参数。
一句话串逻辑：
偏导数=单个方向变化率；
全微分=把所有方向的微小贡献加总，得到总变化；
多元链式法则=处理变量层层嵌套，计算误差如何跨层传递。
5、易错点（绝大多数人踩坑）
1.求偏导，一定要记住：其余变量视作常数，直接当成数字对待。
2.多元链式法则不要漏项！有几条中间传递路径，就要有几项相加，不要直接照搬一元链式直接相乘。
3.\partial不是普通分数，不能随意约分消掉。
6、联系全书知识
1.一元导数：一维直线斜率；
2.偏导数：高维曲面，单一坐标轴方向的斜率；
3.梯度：把一堆偏导数打包成向量（高维空间中的一个箭头）；
4.链式法则：处理嵌套复合关系，神经网络反向传播完全建立在此之上。
书稿金句：
一元导数看见一维世界的变化；
偏导数帮我们在万千纠缠的变量之中，按住其余变量，单独看清某一个变量带来的改变。
课后思考题

1. 为什么神经网络反向传播离不开多元链式法则？
2. 全微分中，每一项分别代表什么物理含义？
3. 函数 z=f(x,y)，如果x、y同时发生微小改变，总变化是否等于两个偏导数简单相加？

本节课我们搞懂了偏导数、全微分、多元链式法则，这正是神经网络反向传播的数学内核。
但偏导数只代表坐标轴方向的斜率。现实中，我们可以沿着曲面上任意方向前进，不一定非要沿着坐标轴。下一课《第18课：梯度与方向导数》，我们会揭晓：哪个方向下降最快，也就是梯度下降真正的底层原理。
思考题留在文中，欢迎在评论区写下你的理解。如果这篇文章帮你打通了多元微积分的认知，欢迎点赞收藏，订阅专栏，跟随这套体系看懂AI背后的数学。