偏微分計算機
歡迎使用我們的偏微分計算機，這是一個計算多變數函數偏微分的綜合工具，提供詳細的逐步解決方案。無論您是學習多變數微分的微積分學生，還是解決優化問題的工程師，或者是處理速率方程的科學家，此計算機都能提供準確的結果和完整的數學解釋。
什麼是偏微分？
偏微分衡量多變數函數在其中一個輸入變數發生變化而所有其他變數保持不變時如何變化。與適用於單變數函數的普通微分不同，偏微分是多變數微積分的基礎，並廣泛出現在科學、工程、經濟學和機器學習中。
數學定義
對於含有兩個變數的函數 \( f(x, y) \)，關於 \( x \) 的偏微分定義為：
偏微分定義
$$\frac{\partial f}{\partial x} = \lim_{\Delta x \to 0} \frac{f(x + \Delta x, y) - f(x, y)}{\Delta x}$$
在計算 \( \frac{\partial f}{\partial x} \) 時，我們將 \( y \) 視為常數，僅對 \( x \) 微分。類似地，\( \frac{\partial f}{\partial y} \) 將 \( x \) 視為常數。
核心概念
1 一階偏微分
在保持其他變數不變的情況下，對單個變數微分一次。對於 \( f(x,y) \)，這些是 \( f_x \) 和 \( f_y \)。
2 二階偏微分
微分兩次，包括 \( f_{xx} \)、\( f_{yy} \)（純二階）或 \( f_{xy} \)、\( f_{yx} \)（混合偏微分）。
3 混合偏微分
根據克萊羅定理，如果二階偏微分是連續的，那麼 \( f_{xy} = f_{yx} \)。微分順序並不重要。
4 梯度向量
梯度 \( \nabla f = (f_x, f_y, f_z) \) 指向函數增加最快的方向。其模是最大的變化率。
如何使用此計算機
輸入您的函數： 使用標準符號輸入多變數函數。例如：x**2*y, sin(x*y), e**x * cos(y), x**3 + y**3 - 3*x*y。
指定微分變數： 輸入要相對於其微分的變數：
x — 關於 x 的一階微分
x:2 — 關於 x 的二階微分
x,y — 混合偏微分（先對 x 微分，再對 y 微分）
x:2,y:1 — 關於 x 的二階微分，關於 y 的一階微分
點擊計算： 計算機將計算出偏微分，並提供完整的逐步解決方案，顯示應用了哪些微分法則。
支持的函數和語法
函數類型語法範例備註
冪x**2, x^3, x**0.5使用 ** 或 ^ 表示指數
三角函數sin(x), cos(y), tan(z)還包括：sec, csc, cot
反三角函數asin(x), atan(y)還包括：acos, acot, asec, acsc
指數exp(x), e**x自然指數函數
對數log(x), ln(x)自然對數（底數為 e）
平方根sqrt(x), x**0.5等價形式
雙曲函數sinh(x), cosh(y), tanh(z)雙曲函數
乘法x*y, xy, 2xy支持隱式乘法
應用的微分法則
此計算機會識別並在每一步中顯示所使用的微分法則：
冪次法則： \( \frac{\partial}{\partial x}(x^n) = nx^{n-1} \)
加法法則： \( \frac{\partial}{\partial x}(f + g) = \frac{\partial f}{\partial x} + \frac{\partial g}{\partial x} \)
乘法法則： \( \frac{\partial}{\partial x}(fg) = f\frac{\partial g}{\partial x} + g\frac{\partial f}{\partial x} \)
除法法則： \( \frac{\partial}{\partial x}\left(\frac{f}{g}\right) = \frac{g\frac{\partial f}{\partial x} - f\frac{\partial g}{\partial x}}{g^2} \)
連鎖律： \( \frac{\partial}{\partial x}f(g(x,y)) = f'(g) \cdot \frac{\partial g}{\partial x} \)
常數倍法則： \( \frac{\partial}{\partial x}(cf) = c\frac{\partial f}{\partial x} \)
偏微分的應用
梯度與優化
偏微分構成了梯度向量，這對於尋找多變數函數的極大值、極小值和鞍點至關重要。將所有偏微分設置為零即可找到臨界點。
物理與工程
偏微分描述了物理量如何變化：溫度梯度、電勢、流體力學和波動方程都依賴於偏微分。
機器學習
梯度下降算法使用偏微分來最小化損失函數。神經網路中的每個權重都使用損失函數相對於該權重的偏微分來進行更新。
經濟學
邊際分析使用偏微分來衡量在其他輸入（勞動力、資本）保持不變的情況下，產出相對於其中一個輸入的变化情況。
常見問題解答
什麼是偏微分？
偏微分衡量多變數函數在其中一個變數發生變化而所有其他變數保持不變時如何變化。對於函數 f(x,y)，關於 x 的偏微分（記作 ∂f/∂x）將 y 視為常數，僅對 x 微分。
如何計算二階偏微分？
要計算二階偏微分，需要微分兩次。您可以對同一個變數微分兩次（如 ∂²f/∂x²），也可以對不同變數微分（混合偏微分，如 ∂²f/∂x∂y）。輸入格式如 'x:2' 表示關於 x 的二階微分，或 'x,y' 表示混合偏微分。
偏微分和普通微分有什麼區別？
普通微分適用於單變數函數，衡量相對於該變數的變化率。偏微分適用於多變數函數，衡量相對於其中一個變數的變化率，同時將所有其他變數視為常數。
什麼是混合偏微分？
混合偏微分涉及先後對不同變數微分。例如，∂²f/∂x∂y 表示先對 y 微分，然後對結果再對 x 微分。根據克萊羅定理，對於大多數函數，∂²f/∂x∂y = ∂²f/∂y∂x。
如何在計算機中輸入函數？
使用標準數學記號：x**2 或 x^2 表示冪，sin(x), cos(x), tan(x) 表示三角函數，exp(x) 或 e**x 表示指數，log(x) 或 ln(x) 表示自然對數，sqrt(x) 表示平方根。乘法可以是隱式的 (xy) 或顯式的 (x*y)。
額外資源
偏微分 - 維基百科
偏微分簡介 - 可汗學院
引用此內容、頁面或工具為：
"偏微分計算機" 於 https://MiniWebtool.com/zh-tw/偏微分計算機/，來自 MiniWebtool，https://MiniWebtool.com/
由 miniwebtool 團隊提供。更新日期：2026年1月19日
開發者 API 可用:
用一次 JSON HTTP 請求，把這個工具接入你的應用程式、自動化流程或代理。
查看 API 文件