{
  "id": "jacobian-matrix",
  "title": "雅可比矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "雅可比矩阵由函数的一阶偏导数组成；当函数可微时，它表示函数的局部线性近似。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "雅可比",
    "Jacobi矩阵",
    "导数矩阵"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/jacobian-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/jacobian-matrix/",
      "json": "https://aiwiki.page/en/jacobian-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "雅可比矩阵是由向量值函数的一阶偏导数组成的矩阵。对于可微函数，它将导数表示为一个线性映射：用雅可比矩阵乘以一个微小的输入位移，就得到输出的一阶变化。它将求导从一元函数推广到有限维空间之间的映射，并把多元微积分与线性代数联系起来。(math.jhu.edu)"
    },
    {
      "heading": "定义与记号",
      "text": "设 \\(f:U\\subseteq\\mathbb{R}^n\\to\\mathbb{R}^m\\)，其中 \\(U\\) 是开集，并记\n\n\\[f(x)=\\bigl(f_1(x),\\ldots,f_m(x)\\bigr).\\]\n\n如果相应的偏导数在 \\(a\\in U\\) 处存在，则雅可比矩阵为\n\n\\[J_f(a)= \\begin{pmatrix} \\frac{\\partial f_1}{\\partial x_1}(a)&\\cdots& \\frac{\\partial f_1}{\\partial x_n}(a)\\\\ \\vdots&\\ddots&\\vdots\\\\ \\frac{\\partial f_m}{\\partial x_1}(a)&\\cdots& \\frac{\\partial f_m}{\\partial x_n}(a) \\end{pmatrix}.\\]\n\n因此，\\(J_f(a)\\) 有 \\(m\\) 行、\\(n\\) 列：各行对应输出分量，各列对应输入坐标。常用记号还包括 \\(Df(a)\\) 和 \\(f'(a)\\)，尤其是在已经确定函数可微时。(math.jhu.edu)\n\n采用列向量约定时，标量值函数的雅可比矩阵是一个 \\(1\\times n\\) 矩阵，等于其梯度的转置：\n\n\\[J_f(a)=\\nabla f(a)^{\\mathsf T}.\\]\n\n当 \\(n=m=1\\) 时，雅可比矩阵退化为通常的一元导数。对于仿射映射 \\(f(x)=Ax+b\\)，它就是常矩阵 \\(A\\)。按照这些约定，复合映射的导数可通过普通的矩阵乘法计算。(ocw.mit.edu)"
    },
    {
      "heading": "可微性与局部近似",
      "text": "雅可比矩阵的核心含义体现在\n\n\\[f(a+h)=f(a)+J_f(a)h+o(\\|h\\|), \\qquad h\\to0.\\]\n\n余项除以 \\(\\|h\\|\\) 后趋于零。这一条件描述的是所有输入坐标同时变化的情形，而不仅仅是沿坐标轴方向的变化。因此，当这一近似成立时，雅可比矩阵就表示全导数。(math.cmu.edu)\n\n所有偏导数在某一点存在，本身并不意味着函数在该点可微。一个常用的充分条件是：各偏导数在该点的某个邻域内存在，并且在该点连续。这一区别很重要，因为即使偏导数组成的矩阵存在，它也未必能给出有效的一阶近似。(math.cmu.edu)\n\n例如，考虑多项式映射\n\n\\[f(x,y)=(x^2+y,xy).\\]\n\n直接求导得\n\n\\[J_f(x,y)= \\begin{pmatrix} 2x&1\\\\ y&x \\end{pmatrix}.\\]\n\n在 \\((1,2)\\) 处，输入位移 \\((h,k)\\) 产生的输出变化为\n\n\\[f(1+h,2+k)-f(1,2) =(2h+k,\\,2h+k)+(h^2,hk).\\]\n\n其中的线性项恰好是 \\(J_f(1,2)(h,k)^{\\mathsf T}\\)，其余项则是高阶项。"
    },
    {
      "heading": "复合映射与逆映射",
      "text": "对于可微映射 \\(f:\\mathbb{R}^n\\to\\mathbb{R}^m\\) 和 \\(g:\\mathbb{R}^m\\to\\mathbb{R}^p\\)，多元链式法则给出\n\n\\[J_{g\\circ f}(a)=J_g(f(a))J_f(a).\\]\n\n乘法顺序至关重要：右侧矩阵先将输入位移转换为中间位移，左侧矩阵再将其转换为输出位移。两者的维数分别为 \\(m\\times n\\) 和 \\(p\\times m\\)。(live.ocw.mit.edu)\n\n反函数定理将方形雅可比矩阵与局部可逆性联系起来。如果 \\(f\\) 在 \\(a\\) 附近连续可微，且 \\(J_f(a)\\) 可逆，那么 \\(f\\) 在适当的邻域上存在连续可微的逆映射，并且\n\n\\[J_{f^{-1}}(f(a))=[J_f(a)]^{-1}.\\]\n\n右侧是一个逆矩阵。这一结论是局部的，并不保证全局可逆性。导数为零也不必然意味着逆映射不存在：\\(x\\mapsto x^3\\) 是可逆的，只是其逆函数在零点不可微。(math.colostate.edu)"
    },
    {
      "heading": "行列式与变量替换",
      "text": "当 \\(m=n\\) 时，行列式 \\(\\det J_f(a)\\) 称为雅可比行列式。它必须与矩阵本身区分开来；非方形的雅可比矩阵没有通常意义下的行列式。其绝对值衡量可微坐标变换对局部体积的缩放倍数，而其符号则区分变换是保持定向还是反转定向。(live.ocw.mit.edu)\n\n设 \\(T:U\\to V\\) 是 \\(\\mathbb{R}^n\\) 中两个开集之间的连续可微双射，且其逆映射也连续可微。对于满足适当条件的被积函数 \\(q\\)，变量替换公式为\n\n\\[\\int_V q(x)\\,dx = \\int_U q(T(u))\\,|\\det J_T(u)|\\,du.\\]\n\n绝对值不可省略，因为通常的体积不带正负号。这一公式推广了一维积分中的换元法。(live.ocw.mit.edu)\n\n对于极坐标，\n\n\\[T(r,\\theta)=(r\\cos\\theta,r\\sin\\theta), \\qquad J_T= \\begin{pmatrix} \\cos\\theta&-r\\sin\\theta\\\\ \\sin\\theta&r\\cos\\theta \\end{pmatrix}.\\]\n\n其行列式为 \\(r\\)，因此当 \\(r>0\\) 时，\\(dx\\,dy=r\\,dr\\,d\\theta\\)。应用这一公式时，需要选取适当的角坐标范围，使变换在所考虑的区域上一一对应；原点是这一坐标系的奇点。(live.ocw.mit.edu)"
    },
    {
      "heading": "数值计算与机器学习",
      "text": "对于非线性方程组 \\(F(x)=0\\)，牛顿法通过线性方程组\n\n\\[J_F(x_k)s_k=-F(x_k), \\qquad x_{k+1}=x_k+s_k\\]\n\n确定修正量 \\(s_k\\)。它求解的是局部线性近似，而不是直接求解原来的非线性方程。在实现时，可以直接求出修正量，而无需显式计算雅可比矩阵的逆矩阵。(web.mit.edu)\n\n在自动微分中，不必存储完整矩阵。前向模式微分计算雅可比矩阵与向量的乘积 \\(J_f(x)v\\)；反向模式则计算雅可比矩阵的转置与向量的乘积 \\(J_f(x)^{\\mathsf T}w\\)。两者分别传播输入扰动和输出敏感度。完整的雅可比矩阵可以逐列或逐行构建。(docs.jax.dev)\n\n这一区别在机器学习中十分重要。反向传播反复应用反向模式乘积，求得标量损失函数对参数的梯度，从而避免显式构建每个中间环节的雅可比矩阵。相比之下，海森矩阵由标量函数的二阶导数组成；它可以看作该函数梯度的雅可比矩阵。(live.ocw.mit.edu)"
    }
  ],
  "links": [
    "mathematical-function",
    "partial-derivative",
    "matrix",
    "derivative",
    "linear-map",
    "calculus",
    "linear-algebra",
    "gradient",
    "matrix-transpose",
    "polynomial",
    "chain-rule",
    "inverse-function-theorem",
    "inverse-matrix",
    "determinant",
    "integral",
    "newtons-method",
    "system-of-linear-equations",
    "automatic-differentiation",
    "machine-learning",
    "backpropagation",
    "loss-function",
    "hessian-matrix"
  ],
  "sources": [
    {
      "title": "math.jhu.edu/~jhan/teaching/202lecturenote.pdf",
      "url": "https://math.jhu.edu/~jhan/teaching/202lecturenote.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/18-s096-matrix-calculus-for-machine-learning-and-beyond-jan…",
      "url": "https://ocw.mit.edu/courses/18-s096-matrix-calculus-for-machine-learning-and-beyond-january-iap-2023/pages/lecture-notes-and-readings/"
    },
    {
      "title": "math.cmu.edu/~gautam/c/2026-269/notes/diff-hd.html",
      "url": "https://www.math.cmu.edu/~gautam/c/2026-269/notes/diff-hd.html"
    },
    {
      "title": "live.ocw.mit.edu/courses/18-s096-matrix-calculus-for-machine-learning-and-beyon…",
      "url": "https://live.ocw.mit.edu/courses/18-s096-matrix-calculus-for-machine-learning-and-beyond-january-iap-2023/mit18_s096iap23_lec_full.pdf"
    },
    {
      "title": "math.colostate.edu/~renzo/teaching/DiffGeo2011/Introduction%20to%20Smooth%20Man…",
      "url": "https://www.math.colostate.edu/~renzo/teaching/DiffGeo2011/Introduction%20to%20Smooth%20Manifolds%20-%20J.%20Lee.pdf"
    },
    {
      "title": "live.ocw.mit.edu/courses/18-02-multivariable-calculus-spring-2006/2352d60ea1c9b…",
      "url": "https://live.ocw.mit.edu/courses/18-02-multivariable-calculus-spring-2006/2352d60ea1c9b8f7f97e17582f6711c7_multipl_integrls.pdf"
    },
    {
      "title": "web.mit.edu/10.001/Web/Course_Notes/Newton2.htm",
      "url": "https://web.mit.edu/10.001/Web/Course_Notes/Newton2.htm"
    },
    {
      "title": "docs.jax.dev/en/latest/jacobian-vector-products.html",
      "url": "https://docs.jax.dev/en/latest/jacobian-vector-products.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}