{
  "id": "differentiability",
  "title": "可微性",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "可微性是指函数可用线性映射近似，且误差相对于输入变化量的大小可忽略的性质。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "可微分性"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/differentiability/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/differentiability/",
      "json": "https://aiwiki.page/en/differentiability.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "可微性是函数的一种局部性质，使函数值的变化可以用线性法则来近似。对于一元实函数，可微性意味着存在有限的导数。对于高维空间之间的函数，可微性通常意味着存在一个线性变换，能够同时在所有方向上近似该函数，且近似误差相对于输入变化量的大小趋于可忽略。\n\n可微性为切线与切平面、变化率、灵敏度计算以及许多数学优化方法提供了数学基础。它比连续性更强，但比连续可微性更弱。其确切含义取决于所讨论的情境：实数或复数、有限维或无限维空间，抑或几何情境。借助弱导数和几乎处处可微等推广，即使某些点处不存在经典意义下的导数，微分方法仍能发挥作用。"
    },
    {
      "heading": "一元实函数的可微性",
      "text": "设函数 \\(f:I\\to\\mathbb R\\) 定义在开区间 \\(I\\) 上，且 \\(a\\in I\\)。如果极限\n\n\\[f'(a)=\\lim_{h\\to0}\\frac{f(a+h)-f(a)}{h}\\]\n\n存在且为有限实数，则称该函数在 \\(a\\) 处可微。这个商比较的是输出变化量与输入变化量。从几何上看，它是割线的斜率；其极限则是函数图像在 \\((a,f(a))\\) 处的切线斜率。发散的差商有时被非正式地称为无穷导数，但这并不意味着函数在通常的实值意义下可微。\n\n一种等价且更易推广的定义是\n\n\\[f(a+h)=f(a)+f'(a)h+r(h), \\qquad \\lim_{h\\to0}\\frac{r(h)}{|h|}=0.\\]\n\n与大O记号相关的记号 \\(r(h)=o(|h|)\\) 表示误差的阶比输入增量更小。因此，可微性不仅仅意味着存在一个近似斜率：它还要求，随着观察尺度缩小，近似误差相对于输入增量以规定的速率趋于零。\n\n凡是在 \\(a\\) 处可微的函数，在该点都连续，因为 \\(f'(a)h\\) 和 \\(r(h)\\) 都趋于零。反之则不成立。函数 \\(f(x)=|x|\\) 处处连续，但它在零点处的差商在增量为正时等于 \\(1\\)，在增量为负时等于 \\(-1\\)。因此，角点会使函数不可微。尖点或竖直切线也可能使有限导数不存在：对于 \\(f(x)=x^{1/3}\\)，零点处的差商为 \\(|h|^{-2/3}\\)，它会无限增大。\n\n函数在某点可微，并不要求导数在该点附近连续。例如，\n\n\\[f(x)= \\begin{cases} x^2\\sin(1/x),&x\\ne0,\\\\ 0,&x=0 \\end{cases}\\]\n\n满足 \\(f'(0)=0\\)，而\n\n\\[f'(x)=2x\\sin(1/x)-\\cos(1/x),\\qquad x\\ne0.\\]\n\n当自变量趋于零时，导数不断振荡，并不趋于任何极限。不过，导数的间断也并非可以任意出现：达布定理指出，任何导数都具有介值性质，即使它不连续也是如此。\n\n在闭区间的端点处，可以通过将增量限制在使自变量仍位于定义域内的范围来定义单侧导数。这类导数在边界问题中很有用，但必须与通常的双侧导数加以区分。标准的内点导数定义还预设函数在该点的整个某个邻域内都有定义；对于定义域受到更多限制的情形，导数的定义需要另作约定。"
    },
    {
      "heading": "多元函数的全可微性",
      "text": "设函数 \\(F:U\\to\\mathbb R^m\\) 的定义域 \\(U\\) 是 \\(\\mathbb R^n\\) 的一个开集。函数在 \\(a\\in U\\) 处可微，是指存在一个线性映射 \\(A:\\mathbb R^n\\to\\mathbb R^m\\)，使得\n\n\\[\\lim_{h\\to0} \\frac{\\|F(a+h)-F(a)-Ah\\|}{\\|h\\|}=0.\\]\n\n映射 \\(A\\) 记作 \\(DF(a)\\)，称为全导数或微分。它是唯一的：如果两个线性映射都满足这一条件，那么将它们的差作用于增量 \\(tv\\)，再除以 \\(|t|\\)，所得结果对每个向量 \\(v\\) 都必须趋于零，因此这两个映射必定相同。\n\n在坐标表示下，\\(DF(a)\\) 由雅可比矩阵表示：\n\n\\[DF(a)= \\begin{pmatrix} \\frac{\\partial F_1}{\\partial x_1}(a)&\\cdots& \\frac{\\partial F_1}{\\partial x_n}(a)\\\\ \\vdots&&\\vdots\\\\ \\frac{\\partial F_m}{\\partial x_1}(a)&\\cdots& \\frac{\\partial F_m}{\\partial x_n}(a) \\end{pmatrix}.\\]\n\n对于欧几里得空间上的标量值函数，利用通常的内积，其微分可以用梯度表示：\n\n\\[Df(a)h=\\nabla f(a)\\cdot h.\\]\n\n微分本质上是一个线性泛函；梯度则是在选定内积后，该线性泛函的向量表示。\n\n所有偏导数都存在，并不意味着函数全可微。偏导数只考察坐标轴方向。即使每个方向导数都存在，而且其值线性地依赖于方向，也未必足以保证全可微。定义\n\n\\[f(x,y)= \\begin{cases} \\dfrac{x^3y}{x^4+y^2},&(x,y)\\ne(0,0),\\\\ 0,&(x,y)=(0,0). \\end{cases}\\]\n\n由估计式\n\n\\[|f(x,y)|\\le \\frac{|x|}{2}\\]\n\n可知，函数在原点连续。它在原点的所有方向导数均为零：沿直线 \\((x,y)=(ta,tb)\\)，比值 \\(f(ta,tb)/t\\) 趋于零。然而，沿曲线 \\(y=x^2\\)，有 \\(f(x,x^2)=x/2\\)，因此\n\n\\[\\frac{|f(x,x^2)|}{\\sqrt{x^2+x^4}}\\longrightarrow\\frac12.\\]\n\n所以，零线性映射无法给出所要求的近似，函数也就不存在全导数。\n\n一个常用的充分条件是：所有一阶偏导数都在 \\(a\\) 的某个邻域内存在，并且这些偏导数在 \\(a\\) 处连续。将增量分解为各坐标方向上的增量，再对误差加以控制，即可由此证明可微性。两者的区别在于一致性：方向导数分别考察每一个固定方向，而全可微性则对所有充分小的增量同时进行控制。在有限维空间中，由于同一有限维空间上的所有范数都等价，可微性的定义与所选用的具体范数无关。"
    },
    {
      "heading": "高阶可微性与正则性类别",
      "text": "可微函数的导数不一定可微。因此，反复求导便形成了一个层次体系。在开集 \\(U\\) 上，记号 \\(C^0(U)\\) 表示连续函数类，\\(C^1(U)\\) 表示一阶导数存在且连续的函数类，\\(C^k(U)\\) 表示直至 \\(k\\) 阶的各阶导数均连续的函数类。\\(C^\\infty(U)\\) 类由光滑函数组成，即每一有限阶导数都存在且连续的函数。尤其要注意，“可微”与“连续可微”不能混为一谈。\n\n多元函数的高阶导数自然地表现为多重线性映射。对于二阶连续可微函数 \\(F\\)，\n\n\\[D^2F(a)[u,v]\\]\n\n关于增量向量 \\(u\\) 和 \\(v\\) 是双线性的。对于标量值函数，它可由海森矩阵表示。二阶偏导数的连续性保证了混合偏导数相等，从而保证海森矩阵的对称性。若缺乏适当的正则性，混合偏导数即使在某一点都存在，也可能不相等。\n\n高阶可微性决定了局部多项式近似的精度。若 \\(f\\) 在 \\(a\\) 附近属于 \\(C^k\\) 类，则其截至 \\(k\\) 阶的泰勒展开具有如下形式：\n\n\\[f(a+h)= \\sum_{j=0}^{k}\\frac{1}{j!}D^jf(a)[h,\\ldots,h] +o(\\|h\\|^k),\\]\n\n其中 \\(j=0\\) 项为 \\(f(a)\\)。这一表述推广了熟悉的单变量泰勒展开。更强的假设可以给出更明确的余项估计。例如，若相应的 \\((k+1)\\) 阶导数在包含相关线段的某个邻域内有界，则 \\(k\\) 阶展开后的余项大小不超过某个常数乘以 \\(\\|h\\|^{k+1}\\)。\n\n在实数范围内，光滑性并不蕴含解析性。函数\n\n\\[g(x)= \\begin{cases} e^{-1/x^2},&x\\ne0,\\\\ 0,&x=0 \\end{cases}\\]\n\n是光滑的，且在零点的每一阶导数都为零，但函数在零点以外处处为正。因此，它在零点的泰勒级数在任何邻域内表示的都是零函数，而不是 \\(g\\)。实解析函数满足更强的条件，即在局部与某个收敛幂级数相等。\n\n介于不同阶连续可微性之间的正则性通常用霍尔德连续性类别来表述。对于 \\(0<\\alpha\\le1\\)，若函数的 \\(k\\) 阶导数在适当的邻域内满足形如\n\n\\[\\|D^kf(x)-D^kf(y)\\|\\le C\\|x-y\\|^\\alpha\\]\n\n的估计，则称该函数局部属于 \\(C^{k,\\alpha}\\) 类。\\(\\alpha=1\\) 的情形称为利普希茨正则性。这些区别在微分方程和逼近论中十分重要：两个函数即使都属于 \\(C^1\\) 类，其导数的变化情况、数值近似误差和稳定性也可能存在显著差异。"
    },
    {
      "heading": "微分法则与局部结构",
      "text": "微分学的代数法则可以从线性近似的定义推导出来。若 \\(f\\) 和 \\(g\\) 是可微的标量函数，则\n\n\\[D(fg)(a)h=f(a)Dg(a)h+g(a)Df(a)h.\\]\n\n对于可以复合的可微映射，链式法则指出\n\n\\[D(G\\circ F)(a)=DG(F(a))\\circ DF(a).\\]\n\n它表达了一个基本的结构性事实：复合映射的最佳线性近似，就是各映射的最佳线性近似的复合。在坐标表示下，这对应于雅可比矩阵的乘法，乘法顺序由映射的复合顺序决定。\n\n中值定理将逐点的可微性与函数在整个区间上的行为联系起来。若实值函数在 \\([a,b]\\) 上连续，在 \\((a,b)\\) 上可微，则存在某个 \\(c\\in(a,b)\\)，使得\n\n\\[f(b)-f(a)=f'(c)(b-a).\\]\n\n因此，若导数的绝对值不超过 \\(M\\)，便有估计 \\(|f(b)-f(a)|\\le M|b-a|\\)。若导数在某个区间上恒为零，则函数在该区间上必为常数。对于向量值函数，一般无法找到一个中间点使上述等式成立，但在适当假设下，仍可得到范数不等式。\n\n反函数定理给出了连续可微性的一个尤为有力的推论。若 \\(F:\\mathbb R^n\\to\\mathbb R^n\\) 在 \\(a\\) 附近是 \\(C^1\\) 的，且 \\(DF(a)\\) 可逆，则 \\(F\\) 在 \\(F(a)\\) 附近存在一个 \\(C^1\\) 的局部反函数，且\n\n\\[D(F^{-1})(F(a))=[DF(a)]^{-1}.\\]\n\n导数可逆是局部存在光滑反函数的充分条件，却不是映射局部为一一映射的必要条件。函数 \\(x\\mapsto x^3\\) 虽然在零点处的导数为零，但在零点附近仍是一一映射；不过，其反函数在零点处不可微。\n\n与之相关的隐函数定理说明了一个方程在什么条件下能将某些变量确定为其他变量的可微函数。若 \\(F(x,y)=0\\)，其中 \\(F\\) 连续可微，且在某个解处关于 \\(y\\) 的导数可逆，则局部可将 \\(y\\) 表示为 \\(y=g(x)\\)，并且\n\n\\[Dg(x)=-[D_yF(x,g(x))]^{-1}D_xF(x,g(x)).\\]\n\n这为不先显式求解约束关系、而直接对其求导提供了严格的依据。\n\n可微性也对极值施加了约束。若可微的标量函数在定义域内点处取得局部极小值或极大值，则其在该点的微分为零。这是必要条件，却不是充分条件：\\(x^3\\) 在零点处的导数为零，但并无极值。二阶导数可以区分许多情形，但当海森矩阵退化时，可能需要考察高阶项或函数本身。"
    },
    {
      "heading": "复可微性",
      "text": "对于函数 \\(f:U\\to\\mathbb C\\)，其中 \\(U\\subseteq\\mathbb C\\) 为开集，在 \\(z_0\\) 处复可微意味着当 \\(h\\) 取任意非零复数值趋于零时，极限\n\n\\[f'(z_0)=\\lim_{h\\to0}\\frac{f(z_0+h)-f(z_0)}{h}\\]\n\n存在。这个定义虽然与实可微的定义相似，但其中的分母可以沿复平面内的任意方向趋于零。相应的线性近似必须是乘以某一个复数，而不能是平面上任意的实线性变换。\n\n写成 \\(z=x+iy\\) 和 \\(f(z)=u(x,y)+iv(x,y)\\) 的形式，就能明确看出这一限制。如果 \\(f\\) 在某一点复可微，那么它在该点的实偏导数满足柯西—黎曼方程：\n\n\\[u_x=v_y,\\qquad u_y=-v_x.\\]\n\n如果偏导数在某邻域内连续，那么这些方程也是函数在该邻域内复可微的充分条件。仅有偏导数在某一点存在且满足这些方程，还不足以保证该点的复可微性，除非另有条件加以约束，例如函数在该点实可微。\n\n例如，复共轭函数 \\(f(z)=\\overline z\\) 作为映射 \\(\\mathbb R^2\\to\\mathbb R^2\\) 是可微的，其实导数的矩阵表示为\n\n\\[\\begin{pmatrix} 1&0\\\\ 0&-1 \\end{pmatrix}.\\]\n\n但它处处都不复可微：沿实数增量取差商时，结果为 \\(1\\)；沿纯虚数增量取差商时，结果为 \\(-1\\)。另一方面，\\(f(z)=|z|^2\\) 在零点复可微，导数为零，但在任何非零点都不复可微。因此，在孤立的一点复可微，并不意味着在该点的整个邻域内都可微。\n\n在一个开集的每一点都复可微的函数称为全纯函数。复分析的一个核心结论是，全纯函数必然是解析函数：它们在局部具有收敛的幂级数展开，并且具有任意阶导数。这比实可微性强得多；在实变量情形下，即使函数具有任意阶连续导数，也不能保证它是解析的。\n\n在全纯函数的导数非零的点，其实导数对应于先旋转、再按正比例缩放的变换。因此，它在局部保持有向角不变。这就将可微性与保角几何联系起来。全纯函数还满足很强的唯一性原理和积分恒等式；这些性质源于函数在开集上的可微性，而不只是某一点处导数的存在。因此，实可微性与复可微性的差别并不仅仅在于记号，而是反映了二者在数学刚性上的重大差异。"
    },
    {
      "heading": "赋范空间中的可微性",
      "text": "基于线性近似的定义可以推广到赋范向量空间。设 \\(X\\) 和 \\(Y\\) 为这样的空间，\\(U\\subseteq X\\) 为开集，且 \\(F:U\\to Y\\)。如果存在有界线性算子 \\(A:X\\to Y\\)，使得\n\n\\[\\lim_{\\|h\\|_X\\to0} \\frac{\\|F(a+h)-F(a)-Ah\\|_Y}{\\|h\\|_X}=0.\\]\n\n则称该函数在 \\(a\\) 处弗雷歇可微。在无限维情形下，导数的有界性至关重要，因为仅有线性并不能保证连续性。在有限维空间中，这一定义就化为通常的全微分意义下的可微性。\n\n一个较弱的概念是加托导数，它基于沿固定方向的极限：\n\n\\[D_GF(a)v= \\lim_{t\\to0}\\frac{F(a+tv)-F(a)}{t}.\\]\n\n这一术语的用法并不统一：有些论述要求这些方向极限构成线性映射，另一些则先讨论极限，再另行施加线性条件。无论采用哪种约定，沿固定方向的收敛都弱于弗雷歇可微性所要求的一致控制。弗雷歇可微必然推出加托可微，且两者的导数相同；但若无进一步假设，反之并不成立。\n\n实希尔伯特空间中的一个基本例子是\n\n\\[J(x)=\\frac12\\|x\\|^2.\\]\n\n将平方展开可得\n\n\\[J(x+h)-J(x)=\\langle x,h\\rangle+\\frac12\\|h\\|^2,\\]\n\n因此 \\(DJ(x)h=\\langle x,h\\rangle\\)。这一二次余项直接证明了弗雷歇可微性。在非零点 \\(x\\) 处，范数本身也可微，且\n\n\\[D\\|\\cdot\\|(x)h=\\frac{\\langle x,h\\rangle}{\\|x\\|}.\\]\n\n在非平凡的实赋范空间中，范数在零点处不可微：沿任一非零向量的双侧方向差商，其左右极限符号相反。在一般赋范空间中，范数在非零点处是否可微取决于其单位球的几何性质。\n\n这些概念在泛函分析和变分法中处于核心地位，因为在这些领域中，输入可能是一整个函数。例如，在实空间 \\(H_0^1(\\Omega)\\) 上，能量\n\n\\[E(u)=\\frac12\\int_\\Omega|\\nabla u|^2\\,dx\\]\n\n的导数为\n\n\\[DE(u)v=\\int_\\Omega\\nabla u\\cdot\\nabla v\\,dx.\\]\n\n这里的导数是作用于扰动 \\(v\\) 的连续线性泛函。令含有外力项的能量的导数为零，就可得到变分方程；即使经典意义下的二阶导数不存在，这类方程仍可能有意义。\n\n许多有限维结果可以推广到巴拿赫空间，其中包括适当形式的反函数定理和隐函数定理。这些定理的假设涉及有界线性同构和完备性。在无限维情形下，算子拓扑、有界性和一致近似之间的种种区别，使得精确选择所采用的导数概念远比在初等微积分中重要。"
    },
    {
      "heading": "流形上的可微性",
      "text": "流形在局部以欧几里得空间为模型，但未必具有一个统一的全局坐标系。可微性通过坐标图来定义。对于映射 \\(F:M\\to N\\)，在 \\(p\\in M\\) 附近的坐标图 \\(\\phi\\) 与在 \\(F(p)\\) 附近的坐标图 \\(\\psi\\) 给出坐标表示\n\n\\[\\psi\\circ F\\circ\\phi^{-1}.\\]\n\n若这一表示在 \\(\\phi(p)\\) 处可微，就称映射 \\(F\\) 在 \\(p\\) 处可微。坐标图的相容性和链式法则保证，这一定义不依赖于所选取的容许坐标图。\n\n此时，导数成为切空间之间的映射：\n\n\\[dF_p:T_pM\\longrightarrow T_{F(p)}N.\\]\n\n切向量可以用曲线的速度来表示。若 \\(\\gamma(0)=p\\)，则\n\n\\[dF_p\\bigl(\\gamma'(0)\\bigr)=(F\\circ\\gamma)'(0).\\]\n\n这表明，微分这一运算将定义域中的无穷小速度映为目标空间中相应的速度。坐标下的雅可比矩阵是这一内在映射的矩阵表示，而不是独立的几何对象。\n\n对于标量值函数 \\(f:M\\to\\mathbb R\\)，微分 \\(df_p\\) 属于 \\(T_pM\\) 的对偶空间，即余切空间。因此，它自然是一个余向量。定义梯度则需要额外选取一个度量：黎曼度量确定了唯一一个向量，使其对每个切向量 \\(v\\) 都满足\n\n\\[df_p(v)=g_p(\\operatorname{grad}f(p),v)\\]\n\n这一关系。这一区别解释了为什么在光滑流形上，无须度量长度或角度就能定义微分，却不能定义梯度。\n\n可微性也可用于刻画几何子集。\\(\\mathbb R^{n+1}\\) 中的球面是函数\n\n\\[F(x)=\\|x\\|^2.\\]\n\n的等值集。在单位球面上的点 \\(p\\) 处，\n\n\\[DF(p)h=2p\\cdot h,\\]\n\n因此其切空间为\n\n\\[T_pS^n=\\{h:p\\cdot h=0\\}.\\]\n\n更一般地，若光滑映射 \\(F:\\mathbb R^n\\to\\mathbb R^m\\) 在某个等值集的各点处的导数都是满射，那么该等值集局部上就是一个维数为 \\(n-m\\) 的流形。\n\n一个光滑且具有光滑逆映射的双射称为微分同胚。这样的映射保持可微结构，这比同胚所保持的连续性要求更强。拓扑流形并不天然具有唯一的光滑结构；在某些情形下，相容的光滑结构可能不存在，也可能彼此不等价。因此，微分几何不仅研究形状和坐标公式，也研究使微分运算得以成立的结构本身。"
    },
    {
      "heading": "几乎处处可微性与弱可微性",
      "text": "经典意义下的可微性可能在某些例外点处不成立，却在定义域的大部分点处成立。在这一语境下，“大部分”通常用勒贝格测度来刻画。如果某个性质不成立的点集的测度为零，就称该性质几乎处处成立。拉德马赫定理指出，有限维欧几里得空间之间的局部利普希茨映射几乎处处可微。这一结论指的是全微分意义下的可微性，而不仅仅是各坐标方向偏导数的存在性。\n\n利普希茨连续性这一假设给出了局部一致的界：\n\n\\[\\|F(x)-F(y)\\|\\le L\\|x-y\\|.\\]\n\n它允许函数图像出现尖角，例如 \\(f(x)=|x|\\)，但排除了过于剧烈的局部振荡。在一元情形下，单调实值函数也几乎处处可微，且导数为有限值。这两个结果都不意味着无需附加假设就能由导数确定原函数。例如，康托函数连续且并非常值函数，但其导数几乎处处为零。\n\n在一维情形下，与此相关的一个更强性质是绝对连续性。区间 \\([a,b]\\) 上的绝对连续函数几乎处处可微，导数可积，并且满足\n\n\\[f(x)=f(a)+\\int_a^x f'(t)\\,dt.\\]\n\n反过来，勒贝格可积函数的不定积分是绝对连续的。这是微积分基本定理的一种精确表述。它说明了为什么仅凭几乎处处可微性，还不足以通过积分恢复函数：函数的奇异变化可能几乎处处都无法由普通导数反映出来。\n\n弱微分用积分恒等式代替逐点极限。如果局部可积函数 \\(g\\) 满足\n\n\\[\\int_\\Omega f\\,\\partial_i\\varphi\\,dx = -\\int_\\Omega g\\,\\varphi\\,dx\\]\n\n对每个支集紧含于 \\(\\Omega\\) 的光滑测试函数 \\(\\varphi\\) 都成立，就称 \\(g\\) 为 \\(f\\) 的弱偏导数 \\(\\partial_i f\\)。这一恒等式源于分部积分公式。对于 \\(f(x)=|x|\\)，其弱导数是符号函数，而该函数在零点的取值无关紧要。因此，即使尖角处的经典导数不存在，仍可能存在有用的弱导数。\n\n具有弱导数且这些弱导数满足指定可积性条件的函数构成索伯列夫空间。这些空间在偏微分方程研究中具有基础性作用，因为从物理或几何角度自然出现的解未必具有连续的经典导数。弱导数还应与一般的分布导数区分开来：跳跃间断会产生狄拉克 δ 项，而该项不能用普通的局部可积函数表示。因此，弱可微性扩展了经典微积分的适用范围，却并未使所有奇异性都消失。"
    },
    {
      "heading": "历史发展与病态例子",
      "text": "可微性的起源可追溯到切线、瞬时运动和极值问题。17 世纪，皮埃尔·德·费马、艾萨克·牛顿和戈特弗里德·威廉·莱布尼茨发展的方法，使导数的计算日益系统化。牛顿的流数法侧重于变化的量及其变化速率；莱布尼茨的微分记号则尤为清晰地表达了无穷小变化之间的关系。这些方法出现时，人们尚未像现代数学那样，将导数的计算法则与函数精确的局部性质区分开来。\n\n19 世纪，极限成为分析学基础的核心概念。奥古斯丁-路易·柯西在 19 世纪早期的著作中，包括他于 1823 年对无穷小演算的论述，通过差商的极限来阐述微分。此后，卡尔·魏尔斯特拉斯等人的工作进一步强化了明确的逼近与极限论证的运用。可微性逐渐成为一种需要证明的条件，而不再是仅凭曲线外观便假定成立的几何规则性。\n\n连续但处处不可微的函数在这一转变中尤为重要。伯纳德·波尔查诺曾构造出一个早期例子，但相关研究在他生前一直未曾发表。魏尔斯特拉斯于 1872 年提出了他那著名的例子。经典的魏尔斯特拉斯函数具有如下形式：\n\n\\[W(x)=\\sum_{n=0}^{\\infty}a^n\\cos(b^n\\pi x),\\]\n\n其中 \\(0<a<1\\)，\\(b\\) 为正奇数，并满足适当的附加限制。经典的充分条件\n\n\\[ab>1+\\frac{3\\pi}{2}\\]\n\n可保证该函数处处不可微。由于级数各项的绝对值均不超过可求和的几何数列 \\(a^n\\) 的对应项，该级数一致收敛，因此其和函数连续。\n\n这个例子区分了两种不同的控制方式：足够小的振幅可以保证收敛级数的和函数连续，而迅速增长的频率则会使斜率的极限不复存在。它也说明，仅凭可微函数序列的一致收敛，并不能保证极限函数仍然可微。若要交换求导与取极限的次序，还需要其他假设，通常既要控制导数的收敛，也要控制函数值在至少一个点处的收敛。\n\n20 世纪的研究将这些现象与测度论、泛函分析及概率论联系起来。亨利·勒贝格的积分理论阐明了逐点性质与几乎处处成立的性质之间的区别。莫里斯·弗雷歇和勒内·加托发展了适用于函数空间的导数概念。汉斯·拉德马赫于 1919 年证明了他的几乎处处可微性定理。在概率论中，标准布朗运动的样本路径几乎必然连续且处处不可微。因此，普通导数不存在的现象，不仅见于专门构造的反例，也出现在描述随机运动的核心模型中。"
    },
    {
      "heading": "计算、优化与微分模型",
      "text": "可微性使局部计算成为可能，但并不保证导数易于计算或在数值上稳定。有限差分近似\n\n\\[f'(x)\\approx\\frac{f(x+h)-f(x)}{h},\\]\n\n既包含近似误差，也包含浮点误差。如果 \\(f\\) 在 \\(x\\) 附近具有有界的二阶导数，则前向差分的截断误差为 \\(O(h)\\)。在适当的三阶导数条件下，中心差分的误差为 \\(O(h^2)\\)。将 \\(h\\) 取得极小反而可能使结果变差，因为两个非常接近的数相减会放大舍入误差的影响。\n\n自动微分采用另一种原理：对程序中的基本运算应用链式法则。前向模式传播方向导数，而反向模式则从输出向输入传播敏感度。对于依赖多个输入的标量输出，反向模式计算完整梯度的成本通常仅为执行一次程序的几倍。它计算的是实际执行的运算的导数；仅凭这一点，并不能证明底层的数学函数在分支边界或其他奇异点处可微。\n\n在优化中，可微的目标函数为下降法提供一阶信息。牛顿法则利用二阶信息：求解 \\(F(x)=0\\) 时，若导数可逆，其基本迭代式为\n\n\\[x_{k+1}=x_k-[DF(x_k)]^{-1}F(x_k),\\]\n\n在适当的正则性条件下，例如在雅可比矩阵可逆的解附近，导数局部满足利普希茨条件，可以得到局部二次收敛性。仅有可微性不足以保证这种收敛行为。同样，导数即使可逆，若接近奇异，也可能导致高度敏感。这说明微分与问题的条件性密切相关，而非能够保证数值上的可靠性。\n\n不可微模型往往仍保有有用的结构。对于凸函数，其在 \\(x\\) 处的次梯度 \\(g\\) 在整个定义域上满足\n\n\\[f(y)\\ge f(x)+g\\cdot(y-x)\\]\n\n对于 \\(f(x)=|x|\\)，每个 \\(g\\in[-1,1]\\) 都是其在零点处的次梯度。这类对象用一族支撑斜率代替唯一的切线斜率。这一概念适用于绝对值惩罚项、分段线性模型，以及解可能恰好位于尖角处的优化问题。\n\n微分方程和统计模型也需要区分形式上的求导与有充分依据的可微性。微分方程的经典解必须具有方程中出现的各阶导数，而弱解只需满足积分形式的方程。在统计估计中，对积分或期望求导，需要有允许交换微分与积分次序的条件。因此，敏感度公式、梯度计算以及依赖参数的解，不仅以符号运算法则为基础，还依赖于正则性条件，以确保这些法则确实描述了真实的局部行为。"
    }
  ],
  "links": [
    "mathematical-function",
    "derivative",
    "mathematical-optimization",
    "limit",
    "graph-of-a-function",
    "big-o-notation",
    "continuous-function",
    "open-set",
    "linear-map",
    "jacobian-matrix",
    "euclidean-space",
    "gradient",
    "partial-derivative",
    "directional-derivative",
    "multilinear-map",
    "hessian-matrix",
    "taylor-series",
    "analytic-function",
    "chain-rule",
    "mean-value-theorem",
    "inverse-function-theorem",
    "cauchy-riemann-equations",
    "complex-analysis",
    "normed-vector-space",
    "hilbert-space",
    "functional-analysis",
    "calculus-of-variations",
    "banach-space",
    "manifold",
    "tangent-space",
    "homeomorphism",
    "differential-geometry",
    "lebesgue-measure",
    "almost-everywhere",
    "lipschitz-continuity",
    "absolute-continuity",
    "fundamental-theorem-of-calculus",
    "sobolev-space",
    "partial-differential-equation",
    "gottfried-wilhelm-leibniz",
    "augustin-louis-cauchy",
    "karl-weierstrass",
    "weierstrass-function",
    "automatic-differentiation",
    "newtons-method",
    "convex-function"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}