拓冰网站定制 
多元复合函数的求导法则也就是链式法则是多元微积分里出现频率最高、也最容易翻车的一节。我批改高数作业时几乎每次都会看到有人把 ( \frac{dz}{dt} ) 写成 ( \frac{\partial z}{\partial t} )或者在一个变量同时作为自变量和中间变量时彻底理不清求导路径。其实链式法则本身不难难的是搞清楚“谁跟谁复合、谁是自变量、谁是中间变量”以及一阶会了之后二阶怎么办。这篇文章会把一元函数与多元函数复合、多元函数与多元函数复合、混合形式三种情况放在一起拆开讲配合树形图、全微分和一套检查习惯争取让你以后看到这类题就直接条件反射。这篇文章既适合正在学多元微积分的大学生、准备考研但链式法则总算漏项的人也适合自学高数但被各种偏导符号绕晕的朋友。只要你愿意动笔画一画变量之间的依赖关系这部分内容完全可以变成送分题。1. 三种复合形式到底差在哪先画依赖关系再动手很多人在计算复合函数导数时出错不是计算能力不行而是根本没搞清楚函数之间的“依赖链”。我自己的习惯是拿到题目先不急着算先在草稿纸上把变量之间的关系画成一张结构图然后再决定用全导数还是偏导数。1.1 一张结构图解决90%的走神结构图长什么样举个例子。如果 ( z f(u,v) )而 ( u u(t) )( v v(t) )那么 z 不直接依赖 t而是通过 u 和 v 间接依赖 t。结构图可以画成z → u → t → v → t意思很明确要求 ( z ) 对 ( t ) 的变化率你得分别走 ( z \to u \to t ) 和 ( z \to v \to t ) 两条路把两条路的结果加起来。这就是链式法则的本质路径相加路径上的导数相乘。再比如 ( z f(u,v) )而 ( u u(x,y) )( v v(x,y) )图就变成z → u → x → v → y这时求 ( z ) 对 ( x ) 的偏导同样走两条路( z \to u \to x ) 和 ( z \to v \to x )但 y 固定住所以是偏导数。结构图画对了至少能保证你知道该写几项。1.2 三类复合与“全导数”“偏导数”的对应根据中间变量和最终变量的个数可以把标题里的三类情况整理成一张对照表复合形式典型结构最终求导得到什么一元函数与多元函数复合( zf(u,v),\ uu(t),\ vv(t) )全导数 ( \frac{dz}{dt} )多元函数与多元函数复合( zf(u,v),\ uu(x,y),\ vv(x,y) )偏导数 ( \frac{\partial z}{\partial x}, \frac{\partial z}{\partial y} )混合形式( zf(x,u),\ uu(x,y) )偏导数但 ( x ) 这条路径要单独算这张表的价值在于它能帮你快速判断最终形式。第一类最终 z 只是一元函数 ( t ) 的函数所以写 d 不写 ∂第二类、第三类还保留多个自变量所以写 ∂ 不写 d。很多同学第一类题目里写了 ( \partial z / \partial t )本质上是没意识到所有中间变量最终都代入后z 只是 t 的一元函数。2. 一元函数嵌入多元函数d 与 ∂ 的分水岭第一类复合虽然结构最简单却是理解“链式法则为什么是链式”的最佳入口。它通常写成 ( z f(u,v) )其中 ( u u(t) )( v v(t) )。2.1 为什么最终得到的是全导数如果用结构图表示就是 z 通过两条路径到达 t。那么由全导数公式[ \frac{dz}{dt} \frac{\partial f}{\partial u}\frac{du}{dt} \frac{\partial f}{\partial v}\frac{dv}{dt} ]注意第一项( \frac{\partial f}{\partial u} ) 是 f 对中间变量 u 的偏导因为 f 有 u、v 两个自变量所以这里必须用偏导后面的 ( \frac{du}{dt} ) 是 u 对 t 的导数因为 u 只是 t 的一元函数所以用全导数 d。很多人把第一项写成 ( \frac{\partial f}{\partial u}\frac{\partial u}{\partial t} )这就错了。u 只有一个自变量不存在偏导的概念。最终代回 u、v 的表达式后z 只是 t 的一元函数所以等号左边是 ( \frac{dz}{dt} )。这就是 d 和 ∂ 的分水岭看最终函数的自变量个数而不是看中间过程的变量个数。我把这类问题想成一个流水线u 和 v 是两道工序t 是原料原料先经过第一道工序变成中间半成品再经过第二道工序变成最终产品。总效率等于每道工序的效率相乘多条流水线则相加。2.2 一道路径清晰的求导例题来看一个具体例子。设[ z f(u,v) u^2 \sin v, \quad u t^2, \quad v 3t ]求 ( \frac{dz}{dt} )。按照公式[ \frac{dz}{dt} \frac{\partial f}{\partial u}\frac{du}{dt} \frac{\partial f}{\partial v}\frac{dv}{dt} 2u \cdot 2t \cos v \cdot 3 4ut 3\cos v ]再把 u、v 换回 t[ \frac{dz}{dt} 4t^3 3\cos 3t ]如果不信任链式法则你完全可以先代入合并[ z (t^2)^2 \sin(3t) t^4 \sin 3t ]然后对 t 直接求导得到 ( 4t^3 3\cos 3t )。两个结果一致说明链式法则没问题。我建议初学者每次都这样“先复合后求导”验算一遍能极大增强对公式的信任感也能帮你发现是不是哪条路径漏掉了。3. 多元函数套多元函数链式法则的“标准展开”第二类是考试和作业里的主力题型( z f(u,v) )且 ( u u(x,y) )( v v(x,y) )。这时 z 最终是 x、y 两个自变量的函数所以一切都是偏导。3.1 偏导符号的“不可约分”本质公式是[ \frac{\partial z}{\partial x} \frac{\partial f}{\partial u}\frac{\partial u}{\partial x} \frac{\partial f}{\partial v}\frac{\partial v}{\partial x} ][ \frac{\partial z}{\partial y} \frac{\partial f}{\partial u}\frac{\partial u}{\partial y} \frac{\partial f}{\partial v}\frac{\partial v}{\partial y} ]很多同学问既然形式上像分式约分能不能把 ( \frac{\partial f}{\partial u}\frac{\partial u}{\partial x} ) 直接约成 ( \frac{\partial f}{\partial x} )绝对不能。偏导符号不是普通的除法它是在保持其他变量不变的前提下对某个变量求变化率不能像 d 那样机械约分。这也是多元复合求导里最隐蔽的思维陷阱。我举一个反例。如果 ( f(u,v) uv )( ux )( vy )那么 ( z xy )( \partial z/\partial x 1 )。如果硬约分会得到 ( \frac{\partial f}{\partial u}\frac{\partial u}{\partial x} 1 \cdot 1 1 )和 ( \frac{\partial f}{\partial v}\frac{\partial v}{\partial x} 1 \cdot 0 0 )两项相加还是 1。这里碰巧没问题。可一旦 v 不是与 x 无关的比如 ( v xy )同样 f uv则有 u xv xyz 2xy∂z/∂x 2。如果直接把第一项约成 ∂f/∂x 就会得到 1漏掉了 v 通过 x 传递的那部分。所以说链式法则一项都不能少路径决定项数路径上的偏导相乘不同路径相加。3.2 树形图法怎么用我比较推荐树形图法它在计算第二类问题时尤其直观。以 z 为根节点往下一层写中间变量 u、v再往下一层写最终自变量 x、y。然后求 ∂z/∂x 时就从 z 往 x 找路径z → u → x → v → x有多少条路径就有多少项相加。每条路径上经过的边对应一个偏导因子。比如路径 ( z \to u \to x ) 就对应[ \frac{\partial f}{\partial u} \cdot \frac{\partial u}{\partial x} ]这个“边对应因子、路径相乘、路径相加”的操作规则我到现在算复杂偏导还在用。它不需要背公式只需要会画图。看一个可以直接验证的例子便于检查正确性[ z uv, \quad u x^2y, \quad v x^2-y ]链式法则算[ \frac{\partial z}{\partial x} v \cdot 2x u \cdot 2x 2x(uv) 2x\big((x^2y)(x^2-y)\big) 4x^3 ][ \frac{\partial z}{\partial y} v \cdot 1 u \cdot (-1) (x^2-y)-(x^2y) -2y ]直接代入[ z (x^2y)(x^2-y) x^4-y^2 ]求偏导正是 ( \partial z/\partial x 4x^3 )( \partial z/\partial y -2y )。完全一致。这种“链式法则结果 vs 直接代换结果”的双轨验算是我强烈建议每个人在练习阶段做的事情。练多了之后你就能一眼看出哪些路径必须存在。4. 混合形式与变量同名最容易被绕晕的情况第三类叫混合形式一个典型结构是[ z f(x,u), \quad u u(x,y) ]注意这里的 x 既直接作为 f 的自变量又作为 u 的自变量。于是当你求 ( \partial z/\partial x ) 时x 有两条路径到达 z第一条是 ( z \to x ) 直接路径第二条是 ( z \to u \to x ) 间接路径。这种时候最容易犯的错误就是只写了直接路径或者只写了间接路径。4.1 “两个 x”的严格区分我用一个最简单的例子说明[ z xu, \quad u x^2y^2 ]那么 ( z x(x^2y^2) x^3 xy^2 )所以[ \frac{\partial z}{\partial x} 3x^2 y^2, \quad \frac{\partial z}{\partial y} 2xy ]现在用链式法则。注意 z 同时依赖第一变量 x 和第二变量 u所以[ \frac{\partial z}{\partial x} \frac{\partial f}{\partial x}\Big|_{\text{保持}u\text{不变}} \cdot 1 \frac{\partial f}{\partial u} \cdot \frac{\partial u}{\partial x} ]这里 ( \partial f/\partial x )保持 u 不变是 ( u )而 ( \partial u/\partial x 2x )所以[ \frac{\partial z}{\partial x} u \cdot 1 x \cdot 2x (x^2y^2)2x^2 3x^2y^2 ]而[ \frac{\partial z}{\partial y} \frac{\partial f}{\partial u}\cdot\frac{\partial u}{\partial y} x \cdot 2y 2xy ]结果和直接代换一致。为了防止记号混淆很多教材推荐把对 f 第一个变量、第二个变量的偏导写成 ( f_1 )、( f_2 )。于是上式可以写成[ \frac{\partial z}{\partial x} f_1(x,u) \cdot 1 f_2(x,u) \cdot u_x ]这样就不会出现“左边的 ∂z/∂x 和右边的 ∂f/∂x 到底是不是同一个东西”的困惑。在处理变量同名问题时下标记号是救命的。4.2 用全微分形式不变性兜底如果画图画到一半乱了或者题目里的复合关系特别复杂我通常改用全微分法。全微分有一个很好的性质叫形式不变性对于 ( z f(x,u) )不管 u 是自变量还是中间变量都有[ dz \frac{\partial f}{\partial x} dx \frac{\partial f}{\partial u} du ]再把 ( du u_x dx u_y dy ) 代入[ dz \left(\frac{\partial f}{\partial x} \frac{\partial f}{\partial u}u_x\right) dx \frac{\partial f}{\partial u}u_y , dy ]而全微分的系数就是偏导数[ \frac{\partial z}{\partial x} \frac{\partial f}{\partial x} \frac{\partial f}{\partial u}u_x, \quad \frac{\partial z}{\partial y} \frac{\partial f}{\partial u}u_y ]这个方法的优势在于它不用你纠结 z 到 x 有几条路径只要你正确写出 dz 的表达式然后代入所有中间变量的微分dx 前面的系数自然就是 ( \partial z/\partial x )。对于复杂的混合形式全微分法几乎不会漏项因为它本质上是把链式法则嵌进了“系数整理”这个动作里。我在实际做题时遇到变量特别多的题会直接跳成全微分法因为它对“路径意识”的要求更低更像机械的代数展开反而不容易犯错。5. 二阶偏导的复合求导漏项重灾区一阶链式法则掌握之后很多人觉得万事大吉结果一碰到二阶偏导立马翻车。二阶偏导之所以难是因为它需要你对一阶偏导的结果继续求偏导而一阶偏导的结果通常还是复合函数你必须继续用链式法则。5.1 一阶结果还带着复合结构看一个典型例子。设[ z f(u,v), \quad u x^2y^2, \quad v xy ]先求一阶[ \frac{\partial z}{\partial x} f_u \cdot 2x f_v \cdot y ]接下来求 ( \frac{\partial^2 z}{\partial x^2} )注意 ( f_u ) 和 ( f_v ) 本身仍然是 ( (u,v) ) 的复合函数所以它们对 x 求偏导还要再用一次链式法则[ \frac{\partial}{\partial x}(f_u) f_{uu} \cdot 2x f_{uv} \cdot y ][ \frac{\partial}{\partial x}(f_v) f_{vu} \cdot 2x f_{vv} \cdot y ]于是[ \frac{\partial^2 z}{\partial x^2} \frac{\partial}{\partial x}(2x f_u) \frac{\partial}{\partial x}(y f_v) 2f_u 2x(2x f_{uu} y f_{uv}) y(2x f_{vu} y f_{vv}) ]在二阶混合偏导连续的条件下( f_{uv}f_{vu} )所以可以合并[ \frac{\partial^2 z}{\partial x^2} 2f_u 4x^2 f_{uu} 4xy f_{uv} y^2 f_{vv} ]很多同学第一次算这种题漏的就是 ( 2f_u ) 这一项。它来自对“系数 ( 2x )”求导而不是对 f 求导。这提醒我们对一阶偏导结果继续求偏导时乘积法则和链式法则要同时使用不能只盯着 f 的高阶偏导。5.2 一个具体函数形式的完整展开为了让过程更清楚我再给一个能直接算到底的具体函数。设[ z f(u,v) u^2 v, \quad u x^2, \quad v xy ]直接代入先算一步[ z (x^2)^2 \cdot xy x^5 y ]那么 ( \partial z/\partial x 5x^4 y )( \partial^2 z/\partial x^2 20x^3 y )。下面用链式法则走一遍你就能看到公式和直接计算结果是不是一致。一阶偏导[ \frac{\partial z}{\partial x} f_u \cdot u_x f_v \cdot v_x (2uv) \cdot 2x (u^2) \cdot y ]代入 ( ux^2,\ vxy )[ 2(x^2)(xy)\cdot 2x (x^2)^2 \cdot y 4x^4 y x^4 y 5x^4 y ]继续求二阶要小心 ( 2uv ) 和 ( u^2 ) 都还是 x 的复合函数[ \frac{\partial^2 z}{\partial x^2} \frac{\partial}{\partial x}(2uv \cdot 2x) \frac{\partial}{\partial x}(u^2 y) ]先看第一部分( 2uv \cdot 2x 4xuv )[ \frac{\partial}{\partial x}(4xuv) 4uv 4x(u_x v u v_x) 4(x^2)(xy) 4x(2x \cdot xy x^2 \cdot y) 4x^3y 4x(2x^2y x^2y) 4x^3y 12x^3y 16x^3y ]再看第二部分( u^2 y x^4 y ) 对 x 求导是 ( 4x^3y )。两部分相加 ( 20x^3y )和直接求导的结果一致。这个例子充分说明二阶偏导就是把“对复合函数求导”这件事多套了一层。每多求一阶结构图就变得更深一些。如果你漏写任何一条路径最终答案的项数就一定不对。6. 做题检查习惯路径数、直接代换和对称性以上三类形式和二阶情况都讲完了但会算公式不等于算对题。最后分享一些我在实际做题和批改作业过程中总结的检查习惯这几招能帮你快速判断结果是否可疑。6.1 路径数检查法每次写完一个链式法则展开式先数一数有几项。以 z 为根节点、目标变量为终点从树形图上看有多少条路径结果就必须有多少项相加。例如 ( zf(u,v) )u 和 v 都依赖 x那么 z 到 x 的路径是两条所以 ∂z/∂x 必定两项。如果只写了一项不用看具体计算直接判定漏了。求二阶时也一样。二阶偏导结果的项数会变多。你可以用一个小技巧验证先把一阶结果想象成一个新的复合函数再对它画一次树形图这样每一项“系数”被求导后会产生多少新路径都能一一对上。6.2 直接代换验算检验漏项的最快方法如果原函数结构允许比如中间变量替换关系很具体那么把所有中间变量代回最终函数变成一个普通多元函数再直接求偏导用来和链式法则的结果对照。这是我自己最常用也最推荐的检查方式。但不是所有题都能直接代换。当题目只给 ( f ) 的抽象形式时你无法写出 ( z ) 的具体表达式这时路径数和量纲检查就更重要了。量纲检查是什么意思如果 x 表示长度y 表示时间那么 z 对 x 的偏导结果量纲应该是“z 的量纲除以长度量纲”。链式展开式中每一项都应该保持这个量纲一旦某项的量纲不对那多半是漏掉了某个中间变量。最后遇到题目里给出对称关系时可以利用对称性检查。比如 ( z f(xy, x^2y^2) )它在交换 x、y 后保持不变那么 ( \partial z/\partial x ) 与 ( \partial z/\partial y ) 应当存在某种对称关系。如果算出来不对称答案多半有误。6.3 常见错误小清单我把多年看作业遇到的典型错误汇总在这里你可以对照自查错误类型错误表现正确做法符号混用把 ( \frac{dz}{dt} ) 写成 ( \frac{\partial z}{\partial t} )最终是一元函数就用 d漏路径混合形式只写 ( f_1 )忘了 ( f_2 u_x )按树形图数路径偏导约分把 ( \frac{\partial f}{\partial u}\frac{\partial u}{\partial x} ) 约成 ( \frac{\partial f}{\partial x} )偏导符号不能约二阶漏项只对 ( f_u, f_v ) 求导忽略了乘积系数对一阶结果整体用乘积法则同名混淆把 ( f_1(x,u) ) 和 ( \partial z/\partial x ) 混为一谈必要时用 f1, f2 下标每个人刚开始学多元复合函数求导时都会错上几道题这不丢人。关键是错了之后学会用结构图、全微分、直接代换这套组合拳去定位问题出在哪条路径上。你把这几样工具练熟了不仅复合求导能拿分后面学隐函数求导、多元函数极值、场论里的梯度散度这些内容都会顺畅很多。 多元复合函数求导法则详解：链式法则、全导数与偏导数的区别
多元复合函数的求导法则也就是链式法则是多元微积分里出现频率最高、也最容易翻车的一节。我批改高数作业时几乎每次都会看到有人把 ( \frac{dz}{dt} ) 写成 ( \frac{\partial z}{\partial t} )或者在一个变量同时作为自变量和中间变量时彻底理不清求导路径。其实链式法则本身不难难的是搞清楚“谁跟谁复合、谁是自变量、谁是中间变量”以及一阶会了之后二阶怎么办。这篇文章会把一元函数与多元函数复合、多元函数与多元函数复合、混合形式三种情况放在一起拆开讲配合树形图、全微分和一套检查习惯争取让你以后看到这类题就直接条件反射。这篇文章既适合正在学多元微积分的大学生、准备考研但链式法则总算漏项的人也适合自学高数但被各种偏导符号绕晕的朋友。只要你愿意动笔画一画变量之间的依赖关系这部分内容完全可以变成送分题。1. 三种复合形式到底差在哪先画依赖关系再动手很多人在计算复合函数导数时出错不是计算能力不行而是根本没搞清楚函数之间的“依赖链”。我自己的习惯是拿到题目先不急着算先在草稿纸上把变量之间的关系画成一张结构图然后再决定用全导数还是偏导数。1.1 一张结构图解决90%的走神结构图长什么样举个例子。如果 ( z f(u,v) )而 ( u u(t) )( v v(t) )那么 z 不直接依赖 t而是通过 u 和 v 间接依赖 t。结构图可以画成z → u → t → v → t意思很明确要求 ( z ) 对 ( t ) 的变化率你得分别走 ( z \to u \to t ) 和 ( z \to v \to t ) 两条路把两条路的结果加起来。这就是链式法则的本质路径相加路径上的导数相乘。再比如 ( z f(u,v) )而 ( u u(x,y) )( v v(x,y) )图就变成z → u → x → v → y这时求 ( z ) 对 ( x ) 的偏导同样走两条路( z \to u \to x ) 和 ( z \to v \to x )但 y 固定住所以是偏导数。结构图画对了至少能保证你知道该写几项。1.2 三类复合与“全导数”“偏导数”的对应根据中间变量和最终变量的个数可以把标题里的三类情况整理成一张对照表复合形式典型结构最终求导得到什么一元函数与多元函数复合( zf(u,v),\ uu(t),\ vv(t) )全导数 ( \frac{dz}{dt} )多元函数与多元函数复合( zf(u,v),\ uu(x,y),\ vv(x,y) )偏导数 ( \frac{\partial z}{\partial x}, \frac{\partial z}{\partial y} )混合形式( zf(x,u),\ uu(x,y) )偏导数但 ( x ) 这条路径要单独算这张表的价值在于它能帮你快速判断最终形式。第一类最终 z 只是一元函数 ( t ) 的函数所以写 d 不写 ∂第二类、第三类还保留多个自变量所以写 ∂ 不写 d。很多同学第一类题目里写了 ( \partial z / \partial t )本质上是没意识到所有中间变量最终都代入后z 只是 t 的一元函数。2. 一元函数嵌入多元函数d 与 ∂ 的分水岭第一类复合虽然结构最简单却是理解“链式法则为什么是链式”的最佳入口。它通常写成 ( z f(u,v) )其中 ( u u(t) )( v v(t) )。2.1 为什么最终得到的是全导数如果用结构图表示就是 z 通过两条路径到达 t。那么由全导数公式[ \frac{dz}{dt} \frac{\partial f}{\partial u}\frac{du}{dt} \frac{\partial f}{\partial v}\frac{dv}{dt} ]注意第一项( \frac{\partial f}{\partial u} ) 是 f 对中间变量 u 的偏导因为 f 有 u、v 两个自变量所以这里必须用偏导后面的 ( \frac{du}{dt} ) 是 u 对 t 的导数因为 u 只是 t 的一元函数所以用全导数 d。很多人把第一项写成 ( \frac{\partial f}{\partial u}\frac{\partial u}{\partial t} )这就错了。u 只有一个自变量不存在偏导的概念。最终代回 u、v 的表达式后z 只是 t 的一元函数所以等号左边是 ( \frac{dz}{dt} )。这就是 d 和 ∂ 的分水岭看最终函数的自变量个数而不是看中间过程的变量个数。我把这类问题想成一个流水线u 和 v 是两道工序t 是原料原料先经过第一道工序变成中间半成品再经过第二道工序变成最终产品。总效率等于每道工序的效率相乘多条流水线则相加。2.2 一道路径清晰的求导例题来看一个具体例子。设[ z f(u,v) u^2 \sin v, \quad u t^2, \quad v 3t ]求 ( \frac{dz}{dt} )。按照公式[ \frac{dz}{dt} \frac{\partial f}{\partial u}\frac{du}{dt} \frac{\partial f}{\partial v}\frac{dv}{dt} 2u \cdot 2t \cos v \cdot 3 4ut 3\cos v ]再把 u、v 换回 t[ \frac{dz}{dt} 4t^3 3\cos 3t ]如果不信任链式法则你完全可以先代入合并[ z (t^2)^2 \sin(3t) t^4 \sin 3t ]然后对 t 直接求导得到 ( 4t^3 3\cos 3t )。两个结果一致说明链式法则没问题。我建议初学者每次都这样“先复合后求导”验算一遍能极大增强对公式的信任感也能帮你发现是不是哪条路径漏掉了。3. 多元函数套多元函数链式法则的“标准展开”第二类是考试和作业里的主力题型( z f(u,v) )且 ( u u(x,y) )( v v(x,y) )。这时 z 最终是 x、y 两个自变量的函数所以一切都是偏导。3.1 偏导符号的“不可约分”本质公式是[ \frac{\partial z}{\partial x} \frac{\partial f}{\partial u}\frac{\partial u}{\partial x} \frac{\partial f}{\partial v}\frac{\partial v}{\partial x} ][ \frac{\partial z}{\partial y} \frac{\partial f}{\partial u}\frac{\partial u}{\partial y} \frac{\partial f}{\partial v}\frac{\partial v}{\partial y} ]很多同学问既然形式上像分式约分能不能把 ( \frac{\partial f}{\partial u}\frac{\partial u}{\partial x} ) 直接约成 ( \frac{\partial f}{\partial x} )绝对不能。偏导符号不是普通的除法它是在保持其他变量不变的前提下对某个变量求变化率不能像 d 那样机械约分。这也是多元复合求导里最隐蔽的思维陷阱。我举一个反例。如果 ( f(u,v) uv )( ux )( vy )那么 ( z xy )( \partial z/\partial x 1 )。如果硬约分会得到 ( \frac{\partial f}{\partial u}\frac{\partial u}{\partial x} 1 \cdot 1 1 )和 ( \frac{\partial f}{\partial v}\frac{\partial v}{\partial x} 1 \cdot 0 0 )两项相加还是 1。这里碰巧没问题。可一旦 v 不是与 x 无关的比如 ( v xy )同样 f uv则有 u xv xyz 2xy∂z/∂x 2。如果直接把第一项约成 ∂f/∂x 就会得到 1漏掉了 v 通过 x 传递的那部分。所以说链式法则一项都不能少路径决定项数路径上的偏导相乘不同路径相加。3.2 树形图法怎么用我比较推荐树形图法它在计算第二类问题时尤其直观。以 z 为根节点往下一层写中间变量 u、v再往下一层写最终自变量 x、y。然后求 ∂z/∂x 时就从 z 往 x 找路径z → u → x → v → x有多少条路径就有多少项相加。每条路径上经过的边对应一个偏导因子。比如路径 ( z \to u \to x ) 就对应[ \frac{\partial f}{\partial u} \cdot \frac{\partial u}{\partial x} ]这个“边对应因子、路径相乘、路径相加”的操作规则我到现在算复杂偏导还在用。它不需要背公式只需要会画图。看一个可以直接验证的例子便于检查正确性[ z uv, \quad u x^2y, \quad v x^2-y ]链式法则算[ \frac{\partial z}{\partial x} v \cdot 2x u \cdot 2x 2x(uv) 2x\big((x^2y)(x^2-y)\big) 4x^3 ][ \frac{\partial z}{\partial y} v \cdot 1 u \cdot (-1) (x^2-y)-(x^2y) -2y ]直接代入[ z (x^2y)(x^2-y) x^4-y^2 ]求偏导正是 ( \partial z/\partial x 4x^3 )( \partial z/\partial y -2y )。完全一致。这种“链式法则结果 vs 直接代换结果”的双轨验算是我强烈建议每个人在练习阶段做的事情。练多了之后你就能一眼看出哪些路径必须存在。4. 混合形式与变量同名最容易被绕晕的情况第三类叫混合形式一个典型结构是[ z f(x,u), \quad u u(x,y) ]注意这里的 x 既直接作为 f 的自变量又作为 u 的自变量。于是当你求 ( \partial z/\partial x ) 时x 有两条路径到达 z第一条是 ( z \to x ) 直接路径第二条是 ( z \to u \to x ) 间接路径。这种时候最容易犯的错误就是只写了直接路径或者只写了间接路径。4.1 “两个 x”的严格区分我用一个最简单的例子说明[ z xu, \quad u x^2y^2 ]那么 ( z x(x^2y^2) x^3 xy^2 )所以[ \frac{\partial z}{\partial x} 3x^2 y^2, \quad \frac{\partial z}{\partial y} 2xy ]现在用链式法则。注意 z 同时依赖第一变量 x 和第二变量 u所以[ \frac{\partial z}{\partial x} \frac{\partial f}{\partial x}\Big|_{\text{保持}u\text{不变}} \cdot 1 \frac{\partial f}{\partial u} \cdot \frac{\partial u}{\partial x} ]这里 ( \partial f/\partial x )保持 u 不变是 ( u )而 ( \partial u/\partial x 2x )所以[ \frac{\partial z}{\partial x} u \cdot 1 x \cdot 2x (x^2y^2)2x^2 3x^2y^2 ]而[ \frac{\partial z}{\partial y} \frac{\partial f}{\partial u}\cdot\frac{\partial u}{\partial y} x \cdot 2y 2xy ]结果和直接代换一致。为了防止记号混淆很多教材推荐把对 f 第一个变量、第二个变量的偏导写成 ( f_1 )、( f_2 )。于是上式可以写成[ \frac{\partial z}{\partial x} f_1(x,u) \cdot 1 f_2(x,u) \cdot u_x ]这样就不会出现“左边的 ∂z/∂x 和右边的 ∂f/∂x 到底是不是同一个东西”的困惑。在处理变量同名问题时下标记号是救命的。4.2 用全微分形式不变性兜底如果画图画到一半乱了或者题目里的复合关系特别复杂我通常改用全微分法。全微分有一个很好的性质叫形式不变性对于 ( z f(x,u) )不管 u 是自变量还是中间变量都有[ dz \frac{\partial f}{\partial x} dx \frac{\partial f}{\partial u} du ]再把 ( du u_x dx u_y dy ) 代入[ dz \left(\frac{\partial f}{\partial x} \frac{\partial f}{\partial u}u_x\right) dx \frac{\partial f}{\partial u}u_y , dy ]而全微分的系数就是偏导数[ \frac{\partial z}{\partial x} \frac{\partial f}{\partial x} \frac{\partial f}{\partial u}u_x, \quad \frac{\partial z}{\partial y} \frac{\partial f}{\partial u}u_y ]这个方法的优势在于它不用你纠结 z 到 x 有几条路径只要你正确写出 dz 的表达式然后代入所有中间变量的微分dx 前面的系数自然就是 ( \partial z/\partial x )。对于复杂的混合形式全微分法几乎不会漏项因为它本质上是把链式法则嵌进了“系数整理”这个动作里。我在实际做题时遇到变量特别多的题会直接跳成全微分法因为它对“路径意识”的要求更低更像机械的代数展开反而不容易犯错。5. 二阶偏导的复合求导漏项重灾区一阶链式法则掌握之后很多人觉得万事大吉结果一碰到二阶偏导立马翻车。二阶偏导之所以难是因为它需要你对一阶偏导的结果继续求偏导而一阶偏导的结果通常还是复合函数你必须继续用链式法则。5.1 一阶结果还带着复合结构看一个典型例子。设[ z f(u,v), \quad u x^2y^2, \quad v xy ]先求一阶[ \frac{\partial z}{\partial x} f_u \cdot 2x f_v \cdot y ]接下来求 ( \frac{\partial^2 z}{\partial x^2} )注意 ( f_u ) 和 ( f_v ) 本身仍然是 ( (u,v) ) 的复合函数所以它们对 x 求偏导还要再用一次链式法则[ \frac{\partial}{\partial x}(f_u) f_{uu} \cdot 2x f_{uv} \cdot y ][ \frac{\partial}{\partial x}(f_v) f_{vu} \cdot 2x f_{vv} \cdot y ]于是[ \frac{\partial^2 z}{\partial x^2} \frac{\partial}{\partial x}(2x f_u) \frac{\partial}{\partial x}(y f_v) 2f_u 2x(2x f_{uu} y f_{uv}) y(2x f_{vu} y f_{vv}) ]在二阶混合偏导连续的条件下( f_{uv}f_{vu} )所以可以合并[ \frac{\partial^2 z}{\partial x^2} 2f_u 4x^2 f_{uu} 4xy f_{uv} y^2 f_{vv} ]很多同学第一次算这种题漏的就是 ( 2f_u ) 这一项。它来自对“系数 ( 2x )”求导而不是对 f 求导。这提醒我们对一阶偏导结果继续求偏导时乘积法则和链式法则要同时使用不能只盯着 f 的高阶偏导。5.2 一个具体函数形式的完整展开为了让过程更清楚我再给一个能直接算到底的具体函数。设[ z f(u,v) u^2 v, \quad u x^2, \quad v xy ]直接代入先算一步[ z (x^2)^2 \cdot xy x^5 y ]那么 ( \partial z/\partial x 5x^4 y )( \partial^2 z/\partial x^2 20x^3 y )。下面用链式法则走一遍你就能看到公式和直接计算结果是不是一致。一阶偏导[ \frac{\partial z}{\partial x} f_u \cdot u_x f_v \cdot v_x (2uv) \cdot 2x (u^2) \cdot y ]代入 ( ux^2,\ vxy )[ 2(x^2)(xy)\cdot 2x (x^2)^2 \cdot y 4x^4 y x^4 y 5x^4 y ]继续求二阶要小心 ( 2uv ) 和 ( u^2 ) 都还是 x 的复合函数[ \frac{\partial^2 z}{\partial x^2} \frac{\partial}{\partial x}(2uv \cdot 2x) \frac{\partial}{\partial x}(u^2 y) ]先看第一部分( 2uv \cdot 2x 4xuv )[ \frac{\partial}{\partial x}(4xuv) 4uv 4x(u_x v u v_x) 4(x^2)(xy) 4x(2x \cdot xy x^2 \cdot y) 4x^3y 4x(2x^2y x^2y) 4x^3y 12x^3y 16x^3y ]再看第二部分( u^2 y x^4 y ) 对 x 求导是 ( 4x^3y )。两部分相加 ( 20x^3y )和直接求导的结果一致。这个例子充分说明二阶偏导就是把“对复合函数求导”这件事多套了一层。每多求一阶结构图就变得更深一些。如果你漏写任何一条路径最终答案的项数就一定不对。6. 做题检查习惯路径数、直接代换和对称性以上三类形式和二阶情况都讲完了但会算公式不等于算对题。最后分享一些我在实际做题和批改作业过程中总结的检查习惯这几招能帮你快速判断结果是否可疑。6.1 路径数检查法每次写完一个链式法则展开式先数一数有几项。以 z 为根节点、目标变量为终点从树形图上看有多少条路径结果就必须有多少项相加。例如 ( zf(u,v) )u 和 v 都依赖 x那么 z 到 x 的路径是两条所以 ∂z/∂x 必定两项。如果只写了一项不用看具体计算直接判定漏了。求二阶时也一样。二阶偏导结果的项数会变多。你可以用一个小技巧验证先把一阶结果想象成一个新的复合函数再对它画一次树形图这样每一项“系数”被求导后会产生多少新路径都能一一对上。6.2 直接代换验算检验漏项的最快方法如果原函数结构允许比如中间变量替换关系很具体那么把所有中间变量代回最终函数变成一个普通多元函数再直接求偏导用来和链式法则的结果对照。这是我自己最常用也最推荐的检查方式。但不是所有题都能直接代换。当题目只给 ( f ) 的抽象形式时你无法写出 ( z ) 的具体表达式这时路径数和量纲检查就更重要了。量纲检查是什么意思如果 x 表示长度y 表示时间那么 z 对 x 的偏导结果量纲应该是“z 的量纲除以长度量纲”。链式展开式中每一项都应该保持这个量纲一旦某项的量纲不对那多半是漏掉了某个中间变量。最后遇到题目里给出对称关系时可以利用对称性检查。比如 ( z f(xy, x^2y^2) )它在交换 x、y 后保持不变那么 ( \partial z/\partial x ) 与 ( \partial z/\partial y ) 应当存在某种对称关系。如果算出来不对称答案多半有误。6.3 常见错误小清单我把多年看作业遇到的典型错误汇总在这里你可以对照自查错误类型错误表现正确做法符号混用把 ( \frac{dz}{dt} ) 写成 ( \frac{\partial z}{\partial t} )最终是一元函数就用 d漏路径混合形式只写 ( f_1 )忘了 ( f_2 u_x )按树形图数路径偏导约分把 ( \frac{\partial f}{\partial u}\frac{\partial u}{\partial x} ) 约成 ( \frac{\partial f}{\partial x} )偏导符号不能约二阶漏项只对 ( f_u, f_v ) 求导忽略了乘积系数对一阶结果整体用乘积法则同名混淆把 ( f_1(x,u) ) 和 ( \partial z/\partial x ) 混为一谈必要时用 f1, f2 下标每个人刚开始学多元复合函数求导时都会错上几道题这不丢人。关键是错了之后学会用结构图、全微分、直接代换这套组合拳去定位问题出在哪条路径上。你把这几样工具练熟了不仅复合求导能拿分后面学隐函数求导、多元函数极值、场论里的梯度散度这些内容都会顺畅很多。