# 人工智能之数学基础 微积分

第一章 单变量微积分


---

# 前言

微积分是现代科学与工程的基石，而**单变量微积分**（函数 $ f: \mathbb{R} \to \mathbb{R} $）是其最基础、最直观的部分。本文系统讲解**导数、微分、基本求导公式、高阶导数、泰勒展开**等核心内容，并提供完整的 **Python（SymPy / NumPy / Matplotlib）代码实现与可视化**。

---

# 一、导数（Derivative）——变化率的精确描述

## 1. 定义

函数 $ f(x) $ 在点 $ x = a $ 处的**导数**定义为：

$$
f'(a) = \lim_{h \to 0} \frac{f(a + h) - f(a)}{h}
$$

若该极限存在，则称 $ f $ 在 $ a $ 处**可导**。

> ✅ 几何意义：函数图像在 $ (a, f(a)) $处切线的斜率
> ✅ 物理意义：瞬时变化率（如速度 = 位移对时间的导数）

---

## 2. 导函数

若 $ f $在区间上每一点都可导，则得到**导函数**：

$$
f'(x) = \frac{df}{dx} = \lim_{h \to 0} \frac{f(x + h) - f(x)}{h}
$$

---

# 二、微分（Differential）

## 定义

若 $ f $ 在 $ x $ 可导，则其**微分**为：

$$
df = f'(x) \, dx
$$

其中$ dx $ 是自变量的微小增量，$df $是函数增量的**线性主部**。

> 💡 微分是导数的另一种表达形式，强调“局部线性近似”。

---

## 三、基本求导公式

| 函数 $ f(x) $ | 导数 $f'(x) $ |
|----------------|------------------|
| $ c $（常数） | $ 0 $ |
| $ x^n $ | $n x^{n-1} $ |
| $e^x $| $e^x $ |
| $ a^x $ | $a^x \ln a$ |
| $\ln x $ | $ \frac{1}{x} $ |
| $ \sin x $ | $ \cos x$ |
| $ \cos x $ | $ -\sin x $ |
| $ \tan x $| $ \sec^2 x $|
| $ \arcsin x $ | $\frac{1}{\sqrt{1 - x^2}}$ |
| $ \arctan x $| $\frac{1}{1 + x^2}$ |

---

## 四、求导法则

### 1. 线性性

$$
(f + g)' = f' + g', \quad (c f)' = c f'
$$

### 2. 乘积法则

$$
(fg)' = f'g + fg'
$$

### 3. 商法则

$$
\left( \frac{f}{g} \right)' = \frac{f'g - fg'}{g^2}, \quad g \ne 0
$$

### 4. 链式法则（复合函数求导）

若 $ y = f(u), u = g(x) $，则：

$$
\frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx}
$$

> 🔑 链式法则是深度学习反向传播的数学基础！

---

# 五、高阶导数

- 二阶导数：$ f''(x) = \frac{d^2 f}{dx^2} = \frac{d}{dx}(f'(x)) $
- $ n $阶导数：$ f^{(n)}(x) = \frac{d^n f}{dx^n} $

> ✅ 二阶导数反映函数的**凹凸性**和**加速度**。

---

# 六、泰勒展开（Taylor Expansion）

## 1. 动机

用**多项式**近似复杂函数，便于计算与分析。

### 2. 泰勒公式（在 $x = a $处展开）

若 $ f $在 $a $ 处有 $ n+1 $阶导数，则：

$$
f(x) = f(a) + f'(a)(x - a) + \frac{f''(a)}{2!}(x - a)^2 + \cdots + \frac{f^{(n)}(a)}{n!}(x - a)^n + R_n(x)
$$

其中 $ R_n(x) $ 是余项（如拉格朗日余项）。

## 3. 麦克劳林展开（$ a = 0 $）

$$
f(x) = \sum_{k=0}^{\infty} \frac{f^{(k)}(0)}{k!} x^k
$$

#### 常见麦克劳林级数：

- $e^x = 1 + x + \frac{x^2}{2!} + \frac{x^3}{3!} + \cdots $
- $ \sin x = x - \frac{x^3}{3!} + \frac{x^5}{5!} - \cdots $
- $ \cos x = 1 - \frac{x^2}{2!} + \frac{x^4}{4!} - \cdots$
- $ \frac{1}{1 - x} = 1 + x + x^2 + x^3 + \cdots \quad (|x| < 1) $

> ✅ 泰勒展开是数值计算、优化算法、物理建模的核心工具。

---

# 七、Python 代码实现

## 1. 导入库

```python
import numpy as np
import matplotlib.pyplot as plt
import sympy as sp
from sympy import symbols, diff, sin, cos, exp, log, series, simplify

# 设置符号变量
x = symbols('x')
sp.init_printing(use_unicode=True)  # 美化输出
```

---

## 2. 符号求导（SymPy）

```python
# 定义函数
f = x**3 + 2*x**2 - 5*x + 1
g = sp.sin(x) * sp.exp(x)

# 一阶导数
f_prime = diff(f, x)
g_prime = diff(g, x)

print("f(x) =", f)
print("f'(x) =", f_prime)
print("\ng(x) =", g)
print("g'(x) =", g_prime)

# 高阶导数
f_2nd = diff(f, x, 2)  # 二阶导
f_3rd = diff(f, x, 3)  # 三阶导
print("\nf''(x) =", f_2nd)
print("f'''(x) =", f_3rd)
```

输出：

```
f(x) = x**3 + 2*x**2 - 5*x + 1
f'(x) = 3*x**2 + 4*x - 5

g(x) = exp(x)*sin(x)
g'(x) = exp(x)*sin(x) + exp(x)*cos(x)

f''(x) = 6*x + 4
f'''(x) = 6
```

---

## 3. 数值导数（有限差分）

当函数无解析表达式时，可用数值方法近似导数。

```python
def numerical_derivative(f, x, h=1e-6):
    """中心差分法：O(h²) 精度"""
    return (f(x + h) - f(x - h)) / (2 * h)

# 测试函数
def func(x):
    return np.sin(x) * np.exp(x)

x0 = 1.0
true_deriv = np.exp(1) * (np.sin(1) + np.cos(1))  # 解析解
num_deriv = numerical_derivative(func, x0)

print(f"x = {x0}")
print(f"解析导数: {true_deriv:.6f}")
print(f"数值导数: {num_deriv:.6f}")
print(f"误差: {abs(true_deriv - num_deriv):.2e}")
```

---

## 4. 可视化：函数、导数与切线

```python
# 定义函数
def f(x):
    return x**3 - 3*x

def df(x):
    return 3*x**2 - 3

# 绘图
x_vals = np.linspace(-2.5, 2.5, 400)
y_vals = f(x_vals)
dy_vals = df(x_vals)

# 选一点画切线
x0 = 1.5
y0 = f(x0)
slope = df(x0)
tangent = slope * (x_vals - x0) + y0

plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.plot(x_vals, y_vals, 'b-', label='f(x) = x³ - 3x')
plt.plot(x_vals, tangent, 'r--', label=f'切线 at x={x0}')
plt.scatter([x0], [y0], color='red')
plt.title('函数与切线')
plt.xlabel('x'); plt.ylabel('f(x)')
plt.legend(); plt.grid(True)

plt.subplot(1, 2, 2)
plt.plot(x_vals, dy_vals, 'g-', label="f'(x) = 3x² - 3")
plt.axhline(0, color='k', linestyle=':', alpha=0.7)
plt.title('导函数')
plt.xlabel('x'); plt.ylabel("f'(x)")
plt.legend(); plt.grid(True)

plt.tight_layout()
plt.show()
```

> 📊 左图：切线斜率 = 导数值；右图：导数为零处对应原函数极值点。

---

## 5. 泰勒展开可视化

```python
# 函数：sin(x)
f_sym = sin(x)

# 计算不同阶数的泰勒多项式（在 x=0 处）
orders = [1, 3, 5, 9]
taylor_polys = [series(f_sym, x, 0, n+1).removeO() for n in orders]

# 转换为数值函数
f_num = sp.lambdify(x, f_sym, 'numpy')
poly_funcs = [sp.lambdify(x, poly, 'numpy') for poly in taylor_polys]

# 绘图
x_plot = np.linspace(-2*np.pi, 2*np.pi, 400)
y_true = f_num(x_plot)

plt.figure(figsize=(10, 6))
plt.plot(x_plot, y_true, 'k-', linewidth=2, label='sin(x)')

colors = ['r', 'g', 'b', 'm']
for i, (order, poly_func) in enumerate(zip(orders, poly_funcs)):
    y_approx = poly_func(x_plot)
    plt.plot(x_plot, y_approx, colors[i], linestyle='--', 
             label=f'泰勒展开 (n={order})')

plt.xlim(-4, 4); plt.ylim(-1.5, 1.5)
plt.title('sin(x) 的泰勒展开（麦克劳林级数）')
plt.xlabel('x'); plt.ylabel('y')
plt.legend(); plt.grid(True)
plt.show()
```

> 📈 可见：阶数越高，在展开点附近近似越精确；但远离展开点时可能发散。

---

## 6. 自动微分（Autograd 风格，使用 JAX 或手动实现）

虽然 SymPy 是符号微分，但现代深度学习依赖**自动微分**。这里用简单方式演示：

```python
# 使用 JAX（需安装：pip install jax）
# 若未安装，可跳过此部分

try:
    import jax.numpy as jnp
    from jax import grad

    def f_jax(x):
        return jnp.sin(x) * jnp.exp(x)

    df_jax = grad(f_jax)  # 自动微分

    x_test = 1.0
    print(f"\nJAX 自动微分:")
    print(f"f({x_test}) = {f_jax(x_test):.6f}")
    print(f"f'({x_test}) = {df_jax(x_test):.6f}")
except ImportError:
    print("\nJAX 未安装，跳过自动微分示例")
```

---

# 八、应用示例：优化与极值

导数为零的点是**驻点**，可能是极值点。

```python
# 求 f(x) = x^3 - 3x 的极值
f = x**3 - 3*x
df = diff(f, x)
critical_points = sp.solve(df, x)
print("驻点:", critical_points)

# 二阶导数判别法
d2f = diff(f, x, 2)
for pt in critical_points:
    concavity = d2f.subs(x, pt)
    if concavity > 0:
        print(f"x = {pt} 是极小值点")
    elif concavity < 0:
        print(f"x = {pt} 是极大值点")
    else:
        print(f"x = {pt} 需进一步判断")
```

输出：

```
驻点: [-1, 1]
x = -1 是极大值点
x = 1 是极小值点
```

---

# 九、总结

| 概念 | 意义 | 应用 |
|------|------|------|
| **导数** | 瞬时变化率 | 速度、斜率、敏感性分析 |
| **微分** | 局部线性近似 | 误差估计、微分方程 |
| **求导法则** | 复合函数求导工具 | 链式法则 → 反向传播 |
| **泰勒展开** | 函数的多项式逼近 | 数值计算、物理建模、优化 |

> 💡 **学习建议**：
> 
> - 熟练掌握基本求导公式与链式法则；
> - 理解导数与函数单调性、凹凸性的关系；
> - 通过泰勒展开理解“局部线性/二次近似”思想；
> - 动手编程验证，建立几何直觉。
>   文章内容部分借助ai来完成，介意可以不看。毕竟理论部分ai确实比人写的要完善。

# 后续

python过渡项目部分代码已经上传至gitee，后续会逐步更新。

# 资料关注

公众号：咚咚王

《Python编程：从入门到实践》
《利用Python进行数据分析》
《算法导论中文第三版》
《概率论与数理统计（第四版） (盛骤) 》
《程序员的数学》
《线性代数应该这样学第3版》
《微积分和数学分析引论》
《（西瓜书）周志华-机器学习》
《TensorFlow机器学习实战指南》
《Sklearn与TensorFlow机器学习实用指南》
《模式识别（第四版）》
《深度学习 deep learning》伊恩·古德费洛著 花书
《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》
《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》
《自然语言处理综论  第2版》
《Natural-Language-Processing-with-PyTorch》
《计算机视觉-算法与应用(中文版)》
《Learning OpenCV 4》
《AIGC：智能创作时代》杜雨+&+张孜铭
《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》
《从零构建大语言模型（中文版）》
《实战AI大模型》
《AI 3.0》


微积分是现代科学与工程的基石，而单变量微积分（函数 f:R→R f: \mathbb{R} \to \mathbb{R} f:R→R）是其最基础、最直观的部分。本文系统讲解导数、微分、基本求导公式、高阶导数、泰勒展开等核心内容，并提供完整的 Python（SymPy  NumPy  Matplotlib）代码实现与可视化。

人工智能之数学基础 微积分：第一章 单变量微积分

技术岗

人工智能

编程语言

算法

本文系统讲解单变量微积分核心内容，包括导数、微分、基本求导公式、高阶导数和泰勒展开等数学概念，并提供Python代码实现与可视化。涵盖导数几何意义、物理意义、求导法则及泰勒展开应用，适合数学与编程学习者掌握微积分基础理论和实践应用。

自然语言处理

计算机视觉

智能创作

机器学习

深度学习

大数据

Python

2026采购季 | AI焕新·智启新局

bigdata-class

ai-class

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

人工智能之数学基础 微积分：第一章 单变量微积分-腾讯云开发者社区-腾讯云

人工智能之数学基础微积分：第一章单变量微积分

人工智能之数学基础微积分：第一章单变量微积分

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之数学基础 微积分：第一章 单变量微积分

人工智能之数学基础 微积分：第一章 单变量微积分

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之数学基础微积分：第一章单变量微积分

人工智能之数学基础微积分：第一章单变量微积分