企业官网建设流程全解析

1. 一元泰勒不够用的时候，二元展开是怎么被逼出来的

1.1 一个从曲面拟合说起的小场景

前两年帮朋友处理一批实验数据，测的是某块板材在受热之后表面上不同位置的温度。变量有两个：横向坐标 x 和纵向坐标 y，输出是温度 T。实测点大概有几十个，分布稀疏又不均匀，中间还缺了几块。当时的想法很朴素——能不能用一个局部公式把任意一点附近的温度近似出来，从而把缺失区域补上、把噪声压一压。

第一反应当然是泰勒展开。问题在于，我脑子里那套熟练的公式只有一元版本：f(x0+h) ≈ f(x0) + f'(x0)h + f''(x0)h²/2。它擅长处理"一个自变量、一个小增量"的局部近似，而且好用到几乎不用动脑。可眼下的温度是 T(x, y)，两个自变量同时变化，一元公式连门都进不去。

这就是二元函数的泰勒展开出场的地方。它做的事情说穿了很朴素：用某个已知点附近的函数值、一阶偏导数、二阶偏导数，拼出一个多项式，去逼近该点邻域内的真实函数值。看起来只是把一元公式"多抄一个变量"，但真的动手之后你会发现，多出来的东西远比想象中多——交叉项、海森矩阵、二次型符号、展开点平移，每一项都能让人在深夜对着草稿纸发呆。

1.2 一元搬到二元，多出来的麻烦在哪

一元泰勒展开之所以简单，是因为自变量的变化方向只有一个。h 可以是正的也可以是负的，但方向就那一条线，函数沿着这条线变化，用导数描述它的快慢就够了。

二元就不一样了。在点 (x0, y0) 附近，你可以往 x 方向走，可以往 y 方向走，也可以斜着走，方向有无穷多个。而且不同方向上的变化速率往往差得很远。多元微积分用方向导数把这件事统一起来：任意方向上的变化率，等于梯度向量在该方向上的投影。这是二元泰勒展开一阶项能够写得那么紧凑的根本原因。

第二个麻烦是交叉项。一元的二阶项只有 f''(x0)h² 这一项，二元的二阶项却有 fxx h²、2fxy hk、fyy k² 三项。中间那一项带着 2 倍系数，是新手最容易写漏的地方。它不是凑数的，而是来自 (h∂/∂x + k∂/∂y)² 的二项式展开，后面第三章会把这个来源彻底讲清楚。

第三个麻烦是几何直觉。一元展开的几何图像是切线，二元展开的一阶图像是切平面，二阶则涉及曲面的弯曲方式——是朝上鼓、朝下凹，还是像马鞍一样一边翘一边垂。这套几何直觉恰恰是判断极值的关键，也是很多教材跳过、但实际用起来最值钱的部分。

1.3 这篇内容适合谁看，能拿到什么

我把话说明白：这篇不是替教材讲定义，而是把二元泰勒展开当成一个干活的工具来拆。适合三类人。

第一类是在准备考试、对公式能背下来但总觉得没吃透的人。我会把每一项系数的来历拆开，尤其是那个 1/2 和那个 2 到底怎么来的。第二类是做数值计算、优化、信号处理、图像处理的工程人。你们真正需要的不是公式本身，而是"什么时候展开到一阶够用、什么时候必须上二阶""误差量级怎么估""海森矩阵什么时候会骗人"。第三类是做数据拟合和误差分析的人，你们会用到一阶展开做灵敏度传播，这部分我在第六章给了完整的用法。

我自己的经验是，二元泰勒展开最容易翻车的地方从来不是推导，而是在非原点展开时忘了平移、把 h 和 k 当成变量本身。这两种错误在第5章的踩坑清单里会重点点名。

2. 先看骨架：二元函数泰勒展开到底长什么样

2.1 一阶项：切平面与梯度

把结论先摆出来。设 f(x, y) 在点 P0 = (x0, y0) 的某个邻域内有一阶连续偏导数，记增量 h = x - x0，k = y - y0，那么一阶展开是：

f(x0 + h, y0 + k) = f(x0, y0) + fx(x0, y0)·h + fy(x0, y0)·k + o(√(h² + k²))

写成向量形式就是 f(P0 + d) ≈ f(P0) + ∇f(P0)ᵀd，其中 d = (h, k)。

这个式子的几何含义非常直观：右边是关于 h、k 的一次多项式，它在三维空间里表示一张平面，而且这张平面在 P0 处与曲面相切，所以叫切平面。梯度 ∇f = (fx, fy) 决定这张平面往哪个方向倾斜得最厉害。

这里有个很实用的推论：方向导数 D_u f = ∇f · u（u 是单位方向向量）。也就是说，只要知道两个偏导数，任意方向的变化率都能算出来，不需要重新求导。这个结论在做灵敏度分析时极其省事，因为你可以直接比较不同方向上"函数对扰动的敏感程度"。

一阶展开的误差量级是 √(h²+k²) 的高阶小量，说白了就是"离得越近越准"。实际使用时，如果 h 和 k 都在 0.01 量级、函数又比较光滑，一阶展开的误差通常在 1e-4 上下，很多粗算场合够用了。

2.2 二阶项：那个容易被写漏的交叉项

一阶不够用的时候就要加二阶项。设 f 在 P0 邻域内有二阶连续偏导数，二阶展开是：

f(x0 + h, y0 + k) = f0 + fx·h + fy·k + (1/2)[fxx·h² + 2fxy·h·k + fyy·k²] + R2

四个系数里，fxx、fyy、fxy 都在 P0 点取值。注意两个容易出错的地方：

第一，交叉项前面的 2 不能省。它的来源是 (h∂x + k∂y)² = h²∂x² + 2hk∂x∂y + k²∂y²，就是初中二项式定理那一套。有人觉得"反正小量，2 无所谓"，这是错的——交叉项在很多场景下恰恰是最大的一项，尤其在 fxx 和 fyy 都很小、但混合偏导不小的时候（比如 f = xy 这种双线性型）。

第二，每个二阶项前面都有 1/2。这来自一维泰勒公式里的 1/2!，扩展到二元就是每个二阶项的系数统一是 1/2。写成矩阵形式之后，这个 1/2 会跑到矩阵外面，看起来更整齐。

顺带说一句克莱罗定理：只要二阶混合偏导连续，就有 fxy = fyx。这个条件在绝大多数工程函数里都成立，所以海森矩阵是对称矩阵，这也让后面的二次型分析变得简单。

2.3 矩阵写法与余项，以及各阶项的分工

把 h、k 塞进向量 d = (h, k)ᵀ，二阶展开的矩阵形式是：

f(P0 + d) = f(P0) + ∇f(P0)ᵀd + (1/2)dH(P0)d + R2

其中 H 是海森矩阵：

H = [ fxx fxy ] [ fxy fyy ]

这个写法不只是好看。它把"二阶项"变成了一个二次型 dᵀHd，而二次型的符号完全由矩阵 H 的特征值决定。这一步转化，直接打通了"泰勒展开"和"极值判定"之间的关系，也是第四章的核心。

余项 R2 有拉格朗日形式：R2 = (1/6)(h∂x + k∂y)³ f(x0 + θh, y0 + θk)，其中 0 < θ < 1。它表示"用二阶多项式代替真实函数"所欠下的账，量级是 O((√(h²+k²))³)。这个三次方关系后面会变成一个非常实用的自检工具。

这张表建议直接记在脑子里。很多人做数值实验时误差压不下去，第一反应是换算法，其实往往是展开阶数和步长没配对——步长取 0.1 却只展开到一阶，误差当然下不来。

3. 把二元问题压成一元：最省脑子的推导路径

3.1 构造函数 g(t) = f(x0 + th, y0 + tk)

硬啃二元泰勒公式的二项式展开会很痛苦。我推荐一条几乎不费脑子的路子：把二元压成一元。

在 P0 附近固定一个方向 d = (h, k)，然后只沿着这条直线走。定义一个单变量函数：

g(t) = f(x0 + th, y0 + tk)，t ∈ [0, 1]

这样 g(0) = f(P0)，g(1) = f(P0 + d)。二元问题瞬间变成一个一元问题，而一元泰勒公式你早就滚瓜烂熟了：

g(1) = g(0) + g'(0) + g''(0)/2! + g'''(θ)/3!

接下来只要把 g 的各阶导数用 f 的偏导数表示出来就行。这靠链式法则：

g'(t) = fx(x0+th, y0+tk)·h + fy(x0+th, y0+tk)·k g''(t) = fxx·h² + 2fxy·h·k + fyy·k² g'''(t) = fxxx·h³ + 3fxxy·h²k + 3fxyy·hk² + fyyy·k³

把 t = 0 代进去，得到的就是标准的二元泰勒展开。整个过程没有任何需要"灵光一闪"的地方，就是老实求导。

这条路径的价值不只是推导方便。它还顺手解释了一个问题：二元泰勒展开本质上就是"沿着某条直线看过去，函数的表现和一元函数完全一样"。你之所以能对无穷多个方向统一处理，是因为 h 和 k 是先固定的，方向被包进了 (h, k) 的比例里。

3.2 二项式系数为什么跑进了公式里

仔细看 g'''(t) 的系数：1、3、3、1，标准的二项式系数。g''(t) 的系数是 1、2、1。这不是巧合。

如果把求导操作写成一个"算子"，定义 D = h·∂/∂x + k·∂/∂y，那么 g 的各阶导数恰好是 Dⁿf 代入 t = 0。而 Dⁿ 的展开就是二项式定理：

D² = h²∂x² + 2hk∂x∂y + k²∂y² D³ = h³∂x³ + 3h²k∂x²∂y + 3hk²∂x∂y² + k³∂y³

所以二元泰勒公式也可以写成一个非常紧凑的"算子形式"：

f(P0 + d) = Σ (1/n!)·(h∂x + k∂y)ⁿ f(P0) + Rn

这个写法在理论推导里很常见，但真正干活的时候我建议还是用展开后的显式形式，因为算子形式不方便代入具体数值。

顺便说一句：一元的 1/n! 在二元里完整保留下来了。展开到二阶是 1/2!，展开到三阶是 1/6。有人会把二阶项的 1/2 和三阶项的 1/6 记混，最简单的方法就是回到 g(t) 的一元公式上去核对。

3.3 手算两个例子把公式钉死

例一：f(x, y) = e·sin y，在原点展开到二阶。

先求各阶偏导在 (0,0) 的值：

• f(0,0) = e⁰·sin 0 = 0
• fx = eˣ sin y → 0
• fy = eˣ cos y → 1
• fxx = eˣ sin y → 0
• fxy = eˣ cos y → 1
• fyy = -eˣ sin y → 0

代入二阶公式：

f ≈ 0 + 0·x + 1·y + (1/2)[0·x² + 2·1·xy + 0·y²] = y + xy

用一个独立的办法验证：eˣ = 1 + x + x²/2 + …，sin y = y - y³/6 + …，两者相乘，取到总次数为 2 的项，只有 y 和 xy。结果完全一致。

再做一次数值核对。取 x = y = 0.1：

真值 e^0.1·sin 0.1 = 1.1051709 × 0.0998334 ≈ 0.110334

近似值 y + xy = 0.1 + 0.01 = 0.11

误差约 3.3×10⁻⁴。而理论上的三阶项是 (x²/2)y - y³/6 = 0.0005 - 0.0001667 ≈ 0.000333，正好把误差解释掉。这个吻合程度说明展开是对的。

例二：f(x, y) = x² + xy + y²，在点 (1, 2) 展开到二阶。

注意这里是非原点展开，必须用 h = x - 1、k = y - 2，而不是直接用 x、y。这是新手最高频的错误。

• f(1,2) = 1 + 2 + 4 = 7
• fx = 2x + y → 4
• fy = x + 2y → 5
• fxx = 2，fxy = 1，fyy = 2（都是常数）

代入公式：

f ≈ 7 + 4h + 5k + (1/2)[2h² + 2·1·hk + 2k²] = 7 + 4h + 5k + h² + hk + k²

现在直接展开原函数验证：

(1+h)² + (1+h)(2+k) + (2+k)² = 1 + 2h + h² + 2 + k + 2h + hk + 4 + 4k + k² = 7 + 4h + 5k + h² + hk + k²

两项一模一样。这个例子的意义在于：对于二次多项式，二阶泰勒展开是精确的，余项为零。这个性质后来会变成我最常用的自检手段——写完展开式，先拿一个二次多项式试一遍，如果对不上，百分之百是系数写错了。

4. 用它判断极值：海森矩阵的完整判定流程

4.1 为什么二次型的符号决定一切

极值判定的逻辑，说白了就是一句话：在驻点附近，一阶项消失，函数的增减完全由二阶项决定。

设 P0 是驻点，即 fx = fy = 0。此时泰勒展开变成：

f(P0 + d) - f(P0) = (1/2)dHd + R2

当 d 足够小的时候，三次及以上的余项可以忽略，差值的符号就由二次型 dᵀHd 决定。而二次型的符号问题，是线性代数里的老问题：它完全由 H 的特征值决定。

• 两个特征值都大于 0：H 正定，dᵀHd > 0，函数在 P0 处取极小值
• 两个特征值都小于 0：H 负定，dᵀHd < 0，取极大值
• 一正一负：H 不定，dᵀHd 可正可负，是鞍点
• 至少一个特征值为 0：退化，二阶展开失效

手算特征值麻烦，所以实际用的时候走行列式路线更方便。对二阶矩阵 H = [[a, b], [b, c]]，有：

• det H = ac - b² > 0 且 a > 0 → 极小
• det H = ac - b² > 0 且 a < 0 → 极大
• det H = ac - b² < 0 → 鞍点
• det H = ac - b² = 0 → 失效，需更高阶

这里的 a 就是 fxx。注意 det H > 0 时 a 和 c 同号（因为 ac = b² + det H > b² ≥ 0），所以只看 a 的符号就够了。

提示：det H > 0 且 a = 0 是不可能出现的，因为此时 ac - b² = -b² ≤ 0，与 det H > 0 矛盾。有人担心"a 正好为 0 怎么办"，不用担心，这种情况已经被 det H 的符号排除了。

4.2 完整案例走一遍：f(x, y) = x³ - 3xy + y³

这是极值判定的经典练习题，因为它同时包含鞍点和极值点，覆盖面很全。完整流程如下。

第一步，求驻点。令两个偏导为零：

fx = 3x² - 3y = 0 → y = x² fy = -3x + 3y² = 0 → x = y²

把第一式代入第二式：x = (x²)² = x⁴，即 x(x³ - 1) = 0，得 x = 0 或 x = 1。对应 y = 0 或 y = 1。所以驻点是 (0, 0) 和 (1, 1)。

第二步，求二阶偏导。fxx = 6x，fxy = -3，fyy = 6y。

第三步，逐点判定。

在 (0, 0)：a = 0，b = -3，c = 0。det H = 0×0 - 9 = -9 < 0，鞍点。

在 (1, 1)：a = 6，b = -3，c = 6。det H = 36 - 9 = 27 > 0，且 a = 6 > 0，极小值点。极小值为 f(1,1) = 1 - 3 + 1 = -1。

整个过程没有用到任何超纲技巧，就是求偏导、解方程组、算行列式。真正花时间的是解方程那一步，这也是最容易算错的地方。我的习惯是解完之后把驻点代回两个偏导方程各验一遍，五秒钟的事，能省掉后面十分钟的白算。

4.3 判定失效的三种情况

二阶判定不是万能的，有三种情况需要特别小心。

第一种：det H = 0。典型例子是 f = x³ + y³，在原点处 fx = fy = 0，H 是全零矩阵，det H = 0。实际上原点是鞍点，但二阶信息完全看不出来，必须展开到三阶。三阶项是 x³ + y³，沿 x 轴正向为正，沿 x 轴负向为负，符号不定，所以是鞍点。

第二种：det H = 0 但不是鞍点。比如 f = x²y²，在原点 H 也是全零，可实际上 f ≥ 0 处处成立，原点是无条件极小值。这种情况的麻烦在于，你需要找到某个偶次阶的项来确认符号。x²y² 是四次项，展开到四阶才能看出来。

第三种：驻点根本不存在，但极值在边界上。二元函数的极值可能在区域边界取得，这时候求偏导为零的方法直接失效。处理办法是把边界参数化，例如约束 x² + y² = 1 时令 x = cos θ、y = sin θ，把它化成一元问题；或者用拉格朗日乘数法引进约束。这部分属于约束优化范畴，跟泰勒展开是配套使用的工具，不是替代关系。

我的经验是，拿到一道极值题，先扫一眼最高次项的奇偶性。如果函数里出现三次项，就要警惕鞍点；如果二阶导在驻点处全为零，直接跳到三阶甚至四阶去看，不要在二阶上死磕。

5. 踩过的坑：二元泰勒展开最容易翻车的地方

5.1 错误清单与后果对照

我在帮别人看计算稿的时候，遇到的问题高度集中在下面这几种。整理成表格，方便对照排查。

第三行那个错误我见过太多次，尤其是从一元公式直接往二元迁移的时候。一元泰勒展开的展开点常常是 0，所以 (x - 0) 和 x 长得一样，久而久之就形成了"变量本身就是增量"的错觉。一旦展开点不是 0，这个错觉就会带来灾难性后果。

5.2 误差估计与阶数取舍的实操判断

余项公式 R2 = (1/6)(h∂x + k∂y)³ f(ξ, η) 在实际计算里没法直接用，因为 ξ、η 未知。但可以估一个上界：

|R2| ≤ (1/6)·M·(|h| + |k|)³

其中 M 是三阶偏导在展开邻域内的最大绝对值。这个上界通常偏保守，但用来判断"阶数够不够"完全够用。

举个例子。某函数的三阶偏导在邻域内最大约为 10，步长 h = k = 0.05。上界约为 (1/6)×10×(0.1)³ ≈ 1.7×10⁻³。如果目标精度是 10⁻³，这个展开刚够；如果目标是 10⁻⁵，那二阶展开远远不够，要么把步长缩到 0.01，要么加三阶项。

我在实践中总结出一套粗略的经验阈值，仅供参考：

• 步长在 0.1 量级、函数光滑：二阶展开误差约在 10⁻³ 到 10⁻⁴
• 步长在 0.01 量级：二阶展开误差约在 10⁻⁶ 到 10⁻
• 需要 10⁻⁹ 以上精度：步长要缩到 10⁻³，同时考虑浮点舍入误差反噬

最后一条值得强调。总能听到"步长越小越准"的说法，这在纯数学上成立，但在计算机上不成立。当 h 小到 10⁻⁸ 量级时，计算 f(x0+h) - f(x0) 会产生严重的相减抵消误差，反而把精度毁掉。泰勒展开在数值计算里有一个最优步长，通常落在 10⁻⁵ 到 10⁻⁸ 之间，具体取决于函数值的量级和机器的有效位数。这是从纸面公式走到实际代码时必然会撞上的一堵墙。

5.3 三个自检手段，写完公式先跑一遍

手段一：令 k = 0，退化成一元。如果你写的二元展开式在 k = 0 时不能退化成正确的一元泰勒公式，那它一定是错的。这是个五秒钟的检查，我几乎每次都做。

以 f = eˣ sin y 为例，令 k = 0 意味着 y 固定在 0。展开式变成 0 + 0·x + 0 + 0，而 f(x, 0) = eˣ·0 = 0 恒成立，一致。

手段二：用二次多项式验证。拿 f = x² + xy + y² 或 f = 2x² - 3xy + y² 这类函数试。二阶泰勒展开对二次多项式必须精确等于原函数，任何偏差都说明系数有问题。这个手段能同时查出漏 2、漏 1/2、平移错误三类问题。

手段三：步长减半，看误差缩小几倍。这是最硬的验证。方法如下：取一个已知真值的点，分别用步长 d 和 d/2 计算二阶展开的误差，两个误差之比应该在 8 附近（因为误差是三次量级，步长减半 → 误差缩小 2³ = 8 倍）。如果比值接近 4，说明你的误差其实是二次量级，多半是二阶项写错了或者漏了；如果接近 2，说明一阶项就有问题。

我用 f = eˣ cos y 在原点做了实测。展开到二阶是 1 + x + (1/2)(x² - y²)。

取 x = y = 0.2 时，真值 e^0.2·cos 0.2 ≈ 1.197052，展开值 1.2，误差约 -2.95×10⁻³。

取 x = y = 0.1 时，真值 e^0.1·cos 0.1 ≈ 1.099650，展开值 1.1，误差约 -3.50×10⁻。

比值 2.95/0.35 ≈ 8.4，非常接近 8，确认二阶展开无误。顺手提一句，两次误差都是负号，说明三阶项主导，这与 (1/6)(x³ - 3xy²) 的符号分析完全一致。这种"误差符号也符合理论"的细节，能让人对自己的计算更有信心。

注意：这条自检的前提是函数足够光滑、步长足够小、真值计算精度足够高。如果函数在展开点附近有奇点或不连续，误差比值的规律会被破坏，这时候要先检查函数本身。

6. 工程里的延伸用法：公式之外的真正价值

6.1 牛顿法：二阶展开的迭代求解版本

解方程 f(x) = 0 的一元牛顿法是 x_{n+1} = x_n - f/f'。这个公式的来源就是一阶泰勒展开：把 f 在 x_n 附近线性化，令线性部分为零，解出下一个点。

二元的情形是一元思路的直接推广，但形式变了。

解方程组时，设 F(x, y) = (u(x, y), v(x, y))，要求 F = 0。线性化之后得到的是雅可比矩阵 J = [[ux, uy], [vx, vy]]，迭代式是 d = -J⁻¹F，然后 (x, y) ← (x, y) + d。注意这里用的是一阶展开，因为目标是解方程而不是找极值。

求极值时情况不同，需要的是二阶展开。目标函数 f 在 x_n 附近二阶近似后，令梯度为零，得到迭代式：

x_{n+1} = x_n - H⁻¹∇f

这是一元公式 x_{n+1} = x_n - f'/f'' 的二元版本。它的收敛速度是二次的，非常快，但代价是每步都要计算并求逆海森矩阵，在变量多的时候计算量巨大。工程上常用的拟牛顿法（如 BFGS）就是想办法用迭代更新的方式近似 H⁻¹，避免每步求逆。

我在做参数反演的时候试过两种方案：一阶梯度下降迭代几百次收敛，用海森信息的牛顿法十几步就收敛了。但牛顿法在海森矩阵接近奇异或者非正定时会剧烈震荡甚至发散，所以实际代码里几乎都要加阻尼或线搜索。二阶展开给出的不只是更快的收敛，还有对"当前点曲率有多大"的定量描述，这个信息可以用来动态调整步长，比盲目设固定学习率靠谱得多。

6.2 最小二乘与曲面拟合

回到第一章那个温度场的例子。假设要拟合的模型是 T(x, y)，实测点有噪声，用最小二乘求解时需要构造残差平方和 S(θ) = Σ (T_i - f(x_i, y_i; θ))²，其中 θ 是模型参数——这里 θ 往往本身就是二维或多维的。

对 S 做二阶泰勒展开，就得到高斯-牛顿法的框架。核心近似的思路是：残差在小扰动下近似线性，于是 S 的海森矩阵可以用 JᵀJ 近似，其中 J 是残差对参数的雅可比矩阵。这一步"用一阶导数拼出二阶信息"的做法，正是泰勒展开在工程优化中最广泛的落地形式之一。它省掉了二阶偏导的计算，代价是在残差较大的时候近似不够准，收敛会变慢。

我自己写曲面拟合代码时，第一步永远是把 f 在初值点附近展开，检查梯度和海森矩阵是否合理。如果海森矩阵出现负特征值，说明初值选得不好或者模型本身有问题，这时候直接跑迭代只会浪费机时。

6.3 误差传播与灵敏度分析

一阶泰勒展开在实验数据处理里有个更朴素但更常用的身份：误差传播公式。

如果 z = f(x, y)，而 x 和 y 分别有测量误差 Δx、Δy，那么：

Δz ≈ fx·Δx + fy·Δy

这个式子的推导就是一元泰勒展开的二元版本——把 f 在测量点附近线性化，忽略高阶项。它有两个重要推论。

第一，各方向的贡献可以线性叠加，这让你能快速判断哪个变量的测量误差是主要矛盾。如果 fx 比 fy 大一个量级，那改善 y 的测量精度基本没用，钱要花在 x 上。

第二，相对误差可以写成弹性形式。两边除以 z，得到 Δz/z ≈ (x·fx/f)·(Δx/x) + (y·fy/f)·(Δy/y)，括号里那两项就是弹性，表示"x 变化 1%，z 变化百分之几"。这个形式在做成本模型、收益模型时特别顺手。

需要提醒的是，这个线性叠加只在误差很小、函数接近线性的时候成立。如果 fx 本身随位置剧烈变化，或者 Δx 已经大到一阶近似失效，就必须用二阶展开甚至直接做蒙特卡洛模拟。判断标准很简单：把测量值代入展开式，如果二阶项和一阶项量级相当，一阶误差传播就不能用了。

6.4 图像处理里的亚像素定位

这是二元泰勒展开最"不显眼但极其关键"的应用场景之一。

在图像里找特征点（比如角点、斑点）时，算法先做整数像素级别的搜索，找到响应值最大的那个像素。但真正的峰值几乎不可能刚好落在一个整数像素上，它藏在两个或四个像素之间。这时候就要用二阶泰勒展开，把响应函数 R(x, y) 在候选点附近展开：

R(x, y) ≈ R0 + ∇R·d + (1/2)dH d

然后令梯度为零，解出偏移量 d = -H⁻¹∇R。求出来的 d 通常是 (0.3, -0.7) 这样的亚像素量，把候选点坐标加上它就得到亚像素精度的位置。

这一步在相机标定、双目测距、模板匹配里都绕不开。我对这套流程的体会是：整数像素的精度决定了能不能找到特征，亚像素的精度决定了测量结果的重复性。同一批标定板拍十张图，如果只做整数像素定位，重复性可能在 0.5 像素上下；加上二阶展开的亚像素修正，重复性通常能压到 0.05 像素以内，差了一个数量级。

代价是海森矩阵必须足够准。图像数据有噪声，直接对差分结果求二阶导会把噪声放大。常见做法是先做高斯平滑或者用尺度参数控制差分间隔，再算二阶偏导。这一步的取舍跟前面讲的"步长过大过小都不行"是同一个道理。

7. 常见追问的直接回答

写到这儿，把平时被问得最多的几个问题一次性答完，都是实操中真会卡住人的。

问：展开到二阶够不够，什么时候必须上三阶？

答：看目的。做近似计算，如果步长在 0.01 以内、函数光滑，二阶基本够用。做极值判定，只要 det H ≠ 0，二阶就足够给出结论。只有 det H = 0 的退化情形才需要三阶。另外做高精度数值算法时，三阶项常被用来构造误差修正项，这时候不是"够不够"的问题，而是"要不要顺便修掉"的问题。

问：海森矩阵算出来非对称怎么办？

答：先检查是不是算错了。在绝大多数工程函数里，只要二阶偏导连续，海森矩阵必然对称。如果确实非对称，说明函数在该点附近的二阶偏导不连续，或者包含了分段逻辑、绝对值、饱和等不光滑结构，这时候泰勒展开的适用性要重新评估。

问：展开点选在哪里比较好？

答：选在你要研究的位置，或者已知函数值、导数信息最可靠的位置。测量数据做拟合时，选在数据最密集、噪声最小的区域中心。展开点离评估点越远，误差越大，而且误差是按距离的三次方增长的，所以离得远的时候千万别指望二阶展开还能准。

问：和一元泰勒展开的心智模型差别最大的地方在哪？

答：一元展开只有一个方向，二维及以上的展开必须把方向包含进去。这就导致了两个后果：一是每一项都要带上方向分量（h 或 k），二是要处理混合项。我自己的心智模型是：二元泰勒展开 = 沿任意方向的一元泰勒展开，把所有方向的贡献一次性打包处理。

问：为什么要用矩阵形式而不是标量形式？

答：因为矩阵形式把方向信息剥离出去了，剩下纯粹的"函数在当前点的曲率结构"——也就是海森矩阵。分析这个矩阵的特征值，就能判断极值、估计条件数、设计迭代步长。这跟一元里"看 f'' 的符号"是一回事，只是维度上去了，需要的工具从"符号"变成了"特征值"。

最后分享一个我自己的习惯。每次写完一个二元泰勒展开式，我都会做三件事：先令 k = 0 看能不能退回一元，再拿一个二次多项式验证精确性，最后挑两个小步长做数值对比看误差比值是否接近 8。这三步加起来不超过三分钟，但帮我挡掉了无数次把错误公式带进后续计算的事故。公式记不住不要紧，这套自检流程记住了，出错概率会低很多。