向量代数与空间解析几何

向量代数

向量及其表达形式

定义：既有方向又有大小的向量称为向量。

向量的相等性体现在大小和方向，与空间位置无关。

向量表达形式为$\vec{a}=(a_x,a_y,a_z)=a_x\vec{i}+a_y\vec{j}+a_z\vec{k}$。

向量运算

设$\vec{a}=(a_x,a_y,a_z)$，$\vec{b}=(b_x,b_y,b_z)$，$\vec{c}=(c_x,c_y,c_z)$，$\vec{a},\vec{b},\vec{c}$均不是零向量。

数量积

称为内积或点积。

• $\vec{a}\cdot \vec{b}=(a_x,a_y,a_z)\cdot (b_x,b_y,b_z)=a_x{b}_x+a_y{b}_y+a_z{b}_z$。
• $\vec{a}\cdot \vec{b}=|\vec{a}||\vec{b}|\cos \theta$，则$\cos \theta =\frac{\vec{a}\cdot \vec{b}}{|a||b|}=\frac{a_x{b}_x+a_y{b}_y+a_z{b}_z}{\sqrt{a_x^2+a_y^2+a_z^2}\cdot \sqrt{b_x^2+b_y^2+b_z^2}}$，其中$\theta$为$\vec{a},\vec{b}$夹角。
• $a\perp b\iff \theta =\frac{\pi }{2}\iff a\cdot b=|a||b|\cos \theta =0\iff a_x{b}_x+a_y{b}_y+a_z{b}_z=0$。
• $Pr{j}_{b}a=\frac{a\cdot b}{|b|}=\frac{a_x{b}_x+a_y{b}_y+a_z{b}_z}{\sqrt{b_x^2+b_y^2+b_z^2}}$称$a$在$b$上的投影。

💻 计算机专业视角

点积 = 余弦相似度的分子，推荐系统和 NLP 天天用。 $\vec{a}\cdot \vec{b}=|\vec{a}||\vec{b}|\cos \theta$ 把两个向量的「方向接近程度」压成一个数。机器学习里把文档、用户、词都表示成高维向量，再用余弦相似度 $\frac{\vec{a}\cdot \vec{b}}{|\vec{a}||\vec{b}|}$ 衡量它们有多像——这正是搜索、推荐、词向量（word2vec）的核心。神经网络一层全连接的本质，也是输入向量与每个权重向量做点积。

🌱 大一新生提示

一句话：点积告诉你「两个向量方向上有多合拍」。 结果是一个数（不是向量）：同向为正、垂直为 0、反向为负。两种算法等价——按坐标 $a_x{b}_x+a_y{b}_y+a_z{b}_z$，或按 $|\vec{a}||\vec{b}|\cos \theta$。它最常用来求夹角、判断垂直（点积为 0 即垂直），以及求一个向量在另一个方向上的投影。

向量积

也称为外积、叉积。

• $\vec{a}\times \vec{b}=\left|\begin{array}{ccc}\vec{i}& \vec{j}& \vec{k}\\ a_x& a_y& a_z\\ b_x& b_y& b_z\end{array}\right|$，其中$|a\times b|=|a||b|\sin \theta$，用右手规则确定方向（转向角不超过$\pi$），其中$\theta$为$\vec{a},\vec{b}$夹角。
• $\vec{a}//\vec{b}\iff \theta =0\iff \vec{a}\times \vec{b}=0$或$\pi \iff \frac{a_x}{b_x}=\frac{a_y}{b_y}=\frac{a_z}{b_z}$。
• $\vec{a}\times \vec{a}=0$。

向量积的计算也可以如此理解，将两个向量上下摞在一起，然后右边再复制一份：

$\left[\begin{array}{cccccc}{a}_x& a_y& a_z& a_x& a_y& a_z\\ b_x& b_y& b_z& b_x& b_y& b_z\end{array}\right]$，向量积的第一个值就是2、3列的行列式值，第二个值就是3、4列的行列式值，第三个值就是4、5列行列式值，第1和第6列不用。

💻 计算机专业视角

叉积 = 求法向量，3D 图形学的基本操作。 $\vec{a}\times \vec{b}$ 得到一个同时垂直于两者的向量，长度等于二者张成的平行四边形面积。游戏和渲染引擎里，用三角形两条边叉乘求出面的法向量，再据此做光照、背面剔除、碰撞判定；物理里的力矩、洛伦兹力也都是叉积。注意它不满足交换律（$\vec{a}\times \vec{b}=-\vec{b}\times \vec{a}$），方向由右手定则决定。

🌱 大一新生提示

一句话：叉积的结果是一个「垂直于这两个向量的新向量」。 和点积不同，叉积算出来还是个向量：方向用右手定则（四指从 $\vec{a}$ 转向 $\vec{b}$，拇指所指），大小是 $|\vec{a}||\vec{b}|\sin \theta$，正好等于两向量围成的平行四边形面积。两向量平行时叉积为零向量。计算时套那个含 $\vec{i},\vec{j},\vec{k}$ 的行列式即可。

混合积

• $[\vec{a}\vec{b}\vec{c}]=(a\times b)\cdot c=\left|\begin{array}{ccc}{a}_x& a_y& a_z\\ b_x& b_y& b_z\\ c_x& c_y& c_z\end{array}\right|$。
• 交换两行不改变值：$a\cdot (b\times c)=b\cdot (c\times a)=c\cdot (a\times b)$。
• 交换一行改变符号：$a\cdot (b\times c)=-a\cdot (c\times b)=-b\cdot (a\times c)=-c\cdot (b\times a)$。
• $\left|\begin{array}{ccc}{a}_x& a_y& a_z\\ b_x& b_y& b_z\\ c_x& c_y& c_z\end{array}\right|=0\iff$三向量共面。

💻 计算机专业视角

混合积 = 有向体积，也是判断「同向/共面」的开关。 $[\vec{a}\vec{b}\vec{c}]$ 是个 $3\times 3$ 行列式，绝对值等于三向量张成的平行六面体体积，正负号表示三者构成右手系还是左手系。计算几何里用它判断点在平面哪一侧、四点是否共面（值为 0 即共面）；3D 建模、凸包算法里的「定向」判断都依赖它的符号。

🌱 大一新生提示

一句话：混合积先叉乘再点乘，结果是个数，等于「平行六面体的体积」。 $[\vec{a}\vec{b}\vec{c}]=(\vec{a}\times \vec{b})\cdot \vec{c}$，可以直接写成三个向量按行排成的行列式。最有用的结论：它等于 0 当且仅当三个向量共面（挤扁成零体积）。轮换三个向量值不变，交换其中两个则变号。

向量方向角与方向余项

• $\vec{a}$与$x$轴、$y$轴、$z$轴正向的夹角$\alpha$、$\beta$、$\gamma$为$\vec{a}$的方向角。
• $\cos \alpha$，$\cos \beta$，$\cos \gamma$称为$\vec{a}$的方向余弦，且$\cos \alpha =\frac{a_x}{|\vec{a}|}$，$\cos \beta =\frac{a_y}{|\vec{a}|}$，$\cos \gamma =\frac{a_z}{|\vec{a}|}$。
• $a^{\circ }=\frac{\vec{a}}{|\vec{a}|}=(\cos \alpha ,\cos \beta ,\cos \gamma )$称为向量$\vec{a}$的单位向量（表示方向的向量）。
• 任意向量$\vec{r}=x\vec{i}+y\vec{j}+z\vec{k}=(r\cos \alpha ,r\cos \beta ,r\cos \gamma )=r(\cos \alpha ,\cos \beta ,\cos \gamma )$，$\cos \alpha$，$\cos \beta$，$\cos \gamma$称为$\vec{r}$的方向余弦，$r$为$\vec{r}$的模，$\cos \alpha =\frac{x}{\sqrt{x^2+y^2+z^2}}$，$\cos \beta =\frac{y}{\sqrt{x^2+y^2+z^2}}$，$\cos \gamma =\frac{z}{\sqrt{x^2+y^2+z^2}}$，$r=\sqrt{x^2+y^2+z^2}$。

空间解析几何

平面方程

假设平面的法向量$\vec{n}=(A,B,C)$。

• 一般式：$Ax+By+Cz+D=0$。
• 点法式：$A(x-x_0)+B(y-y_0)+C(z-z_0)=0$。
• 三点式：$\left|\begin{array}{ccc}x-x_1& y-y_1& z-z_1\\ x-x_2& y-y_2& z-z_2\\ x-x_3& y-y_3& z-z_3\end{array}\right|=0$（平面过不共线的三点）。
• 截距式：$\frac{x}{a}+\frac{y}{b}+\frac{z}{c}=1$（平面过$(a,0,0)$，$(0,b,0)$，$(0,0,c)$三点）。

直线方程

假设直线的方向向量$\vec{\tau }=(l,m,n)$。

• 一般式：$\{\begin{array}{l}{A}_{1}x+B_{1}y+C_{1}z+D_1=0,{\vec{n}}_1=(A_1,B_1,C_1)\\ A_{2}x+B_{2}y+C_{2}z+D_2=0,{\vec{n}}_2=(A_2,B_2,C_2)\end{array}$，其中${\vec{n}}_1$不平行于${\vec{n}}_2$。（两个平面的交线，该直线方向向量$\vec{\tau }=n_1\times n_2$）
• 点向式（标准式、对称式）：$\frac{x-x_0}{l}=\frac{y-y_0}{m}=\frac{z-z_0}{n}$。（直线上一点与方向向量成比例）
• 参数式：$\{\begin{array}{l}x=x_0+lt\\ y=y_0+mt\\ z=z_0+nt\end{array}$，$M(x_0,y_0,z_0)$为直线上已知点，$t$为参数。
• 两点式：$\frac{x-x_1}{x_2-x_1}=\frac{y-y_1}{y_2-y_1}=\frac{z-z_1}{z_2-z_1}$。（直线过不同的两点）

位置关系

直线关系

设${\vec{\tau }}_1=(l_1,m_1,n_1)$，${\vec{\tau }}_2=(l_2,m_2,n_2)$分别为直线$L_1$，$L_2$的方向向量。

• $L_1\perp L_2\iff {\vec{\tau }}_1\perp {\vec{\tau }}_2\iff l_1{l}_2+m_1{m}_2+n_1{n}_2=0$。
• $L_1//L_2\iff {\vec{\tau }}_1//{\vec{\tau }}_2\iff \frac{l_1}{l_2}\iff \frac{m_1}{m_2}=\frac{n_1}{n_2}$。

平面关系

设平面${\pi }_1$，${\pi }_2$的法向量分别为${\vec{n}}_1=(A_1,B_1,C_1)$，${\vec{n}}_2=(A_2,B_2,C_2)$。

• ${\pi }_1\perp {\pi }_2\iff {\vec{n}}_1\perp {\vec{n}}_2\iff A_1{A}_2+B_1{B}_2+C_1{C}_2=0$。
• ${\pi }_1//{\pi }_2\iff {\vec{n}}_1//{\vec{n}}_2\iff \frac{A_1}{A_2}=\frac{B_1}{B_2}=\frac{C_1}{C_2}$。

直线与平面关系

设直线$L$的方向向量为$\tau =(l,m,n)$，平面$\vec{\tau }$的法向量为$\vec{n}=(A,B,C)$。

• $L\perp \pi \iff \vec{\tau }//\vec{n}\iff \frac{A}{l}=\frac{B}{m}=\frac{C}{n}$。
• $L//\pi \iff \vec{\tau }\perp \vec{n}\iff Al+Bm+Cn=0$。

距离

距离公式：

• 二维点到直线距离：点$P_0(x_0,y_0,z_0)$到直线$Ax+By+C=0$的距离为$d=\frac{|A{x}_0+B{y}_0+C{z}_0|}{\sqrt{A^2+B^2}}$。
• 三维点到平面距离：点$P_0(x_0,y_0,z_0)$到平面$Ax+By+Cz+D=0$的距离为$d=\frac{|A{x}_0+B{y}_0+C{z}_0+D|}{\sqrt{A^2+B^2+C^2}}$。
• 二维平行直线到直线距离：直线$Ax+By+C_1=0$到直线$Ax+By+C_2=0$的距离为$d=\frac{|C_2-C_1|}{\sqrt{A^2+B^2}}$。
• 二维非平行直线到直线夹角：直线$A_{1}x+B_{2}y+C_1=0$到直线$A_{2}x+B_{2}y+C_2=0$的夹角为$\cos \theta =\frac{|A_1{A}_2+B_1{B}_2|}{\sqrt{A_1^2+B_1^2}\cdot \sqrt{A_2^2+B_2^2}}$（$\theta \in \left[0,\frac{\pi }{2}\right]$）。
• 三维平行平面到平面距离：平面$Ax+By+Cz+D_1=0$到平面$Ax+By+Cz+D_2=0$的距离为$d=\frac{|D_2-D_1|}{\sqrt{A^2+B^2+C^2}}$。（在另一个面上任取一点计算该点到平面距离）

三维点到直线距离：（已知直线$L$一般式方程和点$M_1$）

1. 根据$L$一般式方程依次求一阶导得出两个面的法向量$\overrightarrow{{\xi }_1}$、$\overrightarrow{{\xi }_2}$。
2. 使用向量积得出$L$方向向量$\vec{S}=\overrightarrow{{\xi }_1}\times \overrightarrow{{\xi }_2}$。
3. 在$L$上任意找到一点$M_0$，计算向量$\overrightarrow{M_0{M}_1}$，计算向量积$\overrightarrow{M_0{M}_1}\times \vec{S}$，取其模$|\overrightarrow{M_0{M}_1}\times \vec{S}|$，这个模即为三点所成三角形面积的两倍$2S_{△M_0{M}_{1}S}$。
4. 求出方向向量$\vec{S}$的模，所以$\overrightarrow{M_1}$到$\vec{S}$的距离$d$可以化为两倍三角形面积$2S_{△M_0{M}_{1}S}=d\cdot |\vec{S}|$。
5. 所以$|\overrightarrow{M_0{M}_1}\times \vec{S}|=d\cdot |\vec{S}|$，解得$d=\frac{|\overrightarrow{M_0{M}_1}\times \vec{S}|}{|\vec{S}|}$。

💻 计算机专业视角

点到平面/直线距离 = 碰撞检测和 SVM 间隔的几何核心。 点到平面公式 $d=\frac{|A{x}_0+B{y}_0+C{z}_0+D|}{\sqrt{A^2+B^2+C^2}}$ 在游戏物理里用来判断物体是否穿透墙面；在机器学习里，支持向量机（SVM）最大化的「间隔」正是样本点到分类超平面的这个距离，分母 $\sqrt{A^2+\cdots }$ 就是法向量的模。点到直线距离用叉积模除以方向向量模，思路一样。

🌱 大一新生提示

一句话：点到平面的距离 = 把点坐标代进平面方程，再除以法向量的长度。 平面 $Ax+By+Cz+D=0$ 的系数 $(A,B,C)$ 就是法向量。把点代入分子取绝对值、除以 $\sqrt{A^2+B^2+C^2}$ 就是垂直距离。两平行平面间距离只是把常数项之差 $|D_2-D_1|$ 除以同一个模。记住「代入 ÷ 法向量长度」这个套路就够用了。

空间曲线

空间曲线某点的切线向量等于该点代入各自导数。

表达式

• 一般式：$\Gamma :\{\begin{array}{l}F(x,y,z)=0\\ G(x,y,z)=0\end{array}$，表示两个曲面的交线。
• 参数方程：$\Gamma :\{\begin{array}{l}x=\varphi (t)\\ y=\psi (t)\\ z=\omega (t)\end{array}$，$t\in [\alpha ,\beta ]$。

空间曲线在坐标面投影

如求曲线$\Omega$在$xOy$平面上的投影曲线，讲$\Gamma :\{\begin{array}{l}F(x,y,z)=0\\ G(x,y,z)=0\end{array}$中的$z$消去，得到$\phi (x,y)=0$，则曲线$\Omega$在$xOy$面上的投影曲线包含于$\{\begin{array}{l}\phi (x,y)=0\\ z=0\end{array}$。

空间曲面

曲面方程

隐式表达式：$F(x,y,z)=0$，显式表达式：$z=z(x,y)$。

二次曲面

• 球面：$x^2+y^2+z^2=r^2$。
• 椭球面：$\frac{x^2}{a^2}+\frac{y^2}{b^2}+\frac{z^2}{c^2}=1$。
• 单叶双曲面：$\frac{x^2}{a^2}+\frac{y^2}{b^2}-\frac{z^2}{c^2}=1$。
• 双叶双曲面：$\frac{x^2}{a^2}-\frac{y^2}{b^2}-\frac{z^2}{c^2}=1$。
• 椭圆抛物面：$\frac{x^2}{2p}+\frac{y^2}{2q}=z$（$p,q>0$）。（常见的有旋转抛物面$x^2+y^2=z$）
• 椭圆锥面：$\frac{x^2}{a^2}+\frac{y^2}{b^2}=\frac{z^2}{c^2}$。（常见的有旋转锥面$z=\sqrt{x^2+y^2}$）
• 双曲抛物面（马鞍面）：$-\frac{x^2}{2p}+\frac{y^2}{2q}=z$（$p,q>0$）。（常见形式如$z=xy$）

柱面

空间解析几何中一般认为缺少变量的方程为柱面。

是动直线沿定曲线平行移动所形成的曲面。

• 椭圆柱面：$\frac{x^2}{a^2}+\frac{y^2}{b^2}=1$（当$a=b$为圆柱面）。
• 双曲柱面：$\frac{x^2}{a^2}-\frac{y^2}{b^2}=1$。
• 抛物柱面：$y=a{x}^2$。

旋转曲面

绕某轴转，其就不变，把另外一个字母写成另外两个字母的平方和的开方。

如$f(x,y)=0$对$x$旋转，则改为$f(x,\pm \sqrt{y^2+z^2})$。

是曲线$\Gamma$绕一条定直线旋转一周所形成的曲面。

给定一条直线$L:\frac{x-x_0}{l}=\frac{y-y_0}{m}=\frac{z-z_0}{n}$，其方向向量为$\vec{\tau }(l,m,n)$，上有一点$P_0(x_0,y_0,z_0)$。

现在给定一条曲线$\Gamma :\{\begin{array}{l}F(x,y,z)=0\\ G(x,y,z)=0\end{array}$。

在$\Gamma$上找一点$P_1(x_1,y_1,z_1)$，然后再讲$P_1$绕$L$旋转一周得到一个纬圆，去纬圆上一点$P(x,y,z)$，则$P$为旋转曲面上任意一点。

因为$P_1$在曲线$\Gamma$上，所以$F(x_1,y_1,z_1)=0$，$G(x_1,y_1,z_1)=0$。

同一个纬圆到$L$上的$P_0$距离相等，既$|\overrightarrow{P_1{P}_0}|=|\overrightarrow{P{P}_0}|$，即$(x_1-x_0{)}^2+(y_1-y_0{)}^2+(z_1-z_0{)}^2=(x-x_0{)}^2+(y-y_0{)}^2+(z-z_0{)}^2$。

每一个纬圆的平面与旋转中心$L$的方向向量$\vec{\tau }$垂直，而$P_{1}P$在平面上，所以该连线向量$\overrightarrow{P_{1}P}\perp \vec{\tau }$，即$l(x-x_1)+m(y-y_1)+n(z-z_1)=0$。

为了得到旋转曲面面积，需要消去$x_1,y_1,z_1$，得到$H(x,y,z)=0$。

例题：求曲线$L:\{\begin{array}{l}x-y+2z-1=0\\ x-3y-2z+1=0\end{array}$绕$y$轴旋转一周所形成的曲面方程。

解：令$P_1(x_1,y_1,z_1)$在曲线上，所以$x_1-y_1+2z_1-1=0$，$x_1-3y_1-2z_1+1=0$。

然后任意一点$P(x,y,z)$到$P_0(x_0,y_0,z_0)$的距离与$P_1$到$P_0$距离相同，取$P_0(0,0,0)$，则$x_1^2+y_1^2+z_1^2=x^2+y^2+z^2$。

两条连线垂直$y$轴，即$\overrightarrow{P_{1}P}\perp (0,1,0)$，即$y=y_1$。

消去$x_1,y_1,z_1$，根据$y=y_1$，所以$x_1^2+z_1^2=x^2+z^2$。

根据交线方程解得$x_1=2y$，$z_1=\frac{1}{2}(1-y)$。

再代入得到$x^2+z^2=(2y{)}^2+\frac{1}{4}(1-y{)}^2$，解得$x^2-\frac{17}{4}{y}^2+z^2+\frac{y}{2}-\frac{1}{4}=0$。

场论初步

方向导数

偏导数就是一个函数在坐标轴方向上的变化率，而方向导数就是函数在某点沿其他特定方向上的变化率。

定义：设三元函数$u=u(x,y,z)$在点$P_0(x_0,y_0,z_0)$的某空间邻域$U\in R^3$内有定义，$l$从点$P_0$出发的射线，$P(x,y,z)$为$l$上切在$U$内的任一点，则$\{\begin{array}{l}x-x_0=\Delta x=t\cos \alpha \\ y-y_0=\Delta y=t\cos \beta \\ z-z_0=\Delta z=t\cos \gamma \end{array}$进行在坐标轴上投影。

以$t=\sqrt{(\Delta x{)}^2+(\Delta y{)}^2+(\Delta z{)}^2}$表示$P$与$P_0$之间的距离。若极限$\underset{t\to 0^{+}}{\lim }\frac{u(P)-u(P_0)}{t}=\underset{t\to 0^{+}}{\lim }\frac{u(x_0+t\cos \alpha ,y_0+t\cos \beta ,z_0+t\cos \gamma )-u(x_0,y_0,z_0)}{t}$存在，则称此极限为函数$u=u(x,y,z)$在点$P_0$沿方向$l$的方向导数，记为$\frac{\partial u}{\partial l}{|}_{P_0}$。

方向导数计算公式定理：设三元函数$u=u(x,y,z)$在点$P_0(x_0,y_0,z_0)$处可微分，则$u=u(x,y,z)$在点$P_0$处沿任一方向$l$的方向导数都存在，且$\frac{\partial u}{\partial l}{|}_{P_0}=u_x^{\prime }(P_0)\cos \alpha +u_y^{\prime }(P_0)\cos \beta +u_z^{\prime }(P_0)\cos \gamma$，其中$\cos \alpha$，$\cos \beta$，$\cos \gamma$为方向$l$的方向余弦。

例题：求函数$z=x{e}^{2y}$在点$P(1,0)$处沿点$P(1,0)$指向$Q(2,-1)$方向的方向导数。

解：这是一个隐式的三元函数，所以基本上解决方法类似。不过需要将$z$对$xy$求偏导。

$\frac{\partial z}{\partial x}=e^{2y}$，$\frac{\partial z}{\partial y}=2x{e}^{2y}$，代入$P(1,0)$，得到$\{1,2\}$。

然后求方向余弦，对于$\overrightarrow{PQ}=(1,-1)$方向余弦就是除它的模$\left\{\frac{1}{\sqrt{2}},-\frac{1}{\sqrt{2}}\right\}$。

方向导数就是点乘：$\frac{1}{\sqrt{2}}-\frac{2}{\sqrt{2}}=-\frac{\sqrt{2}}{2}$。

💻 计算机专业视角

方向导数 = 沿任意方向的「上坡陡度」，梯度下降的基础。 它衡量函数沿某个方向走时变化有多快，等于梯度与该方向单位向量的点积。深度学习训练时，损失函数对参数的方向导数告诉我们「往这个方向调参，loss 升得快还是降得快」；反向传播算出的就是各方向的变化率。沿梯度反方向时方向导数最负——下降最快，这正是梯度下降法的依据。

🌱 大一新生提示

一句话：方向导数就是「站在山坡上，朝某个指定方向走时的陡峭程度」。 偏导数只看沿 $x$ 轴或 $y$ 轴的坡度，方向导数能看任意方向。算法很固定：先求各偏导（梯度），再点乘你指定方向的单位向量（方向余弦）。所以一定记得把方向向量先除以自己的长度化成单位向量，否则结果会错。

梯度

在一个数量场中，函数在给定点处沿不同的方向，其方向导数一般是不相同的。为研究哪个方向的方向导数最大，最大值为多少，增加速度最快，就引入了梯度。

定义：设三元函数$u=u(x,y,z)$在点$P_0(x_0,y_0,z_0)$处具有一阶偏导数，定义$\text{grad}u{|}_{P_0}=(u_x^{\prime }(P_0),u_y^{\prime }(P_0),u_z^{\prime }(P_0))$为函数$u=u(x,y,z)$在点$P_0$处的梯度。

方向导数与梯度关系

方向导数为梯度×梯度方向余弦。

函数在某点的梯度是一个向量，其方向与取得最大方向导数的方向是一致的，其模就是方向导数最大值。

💻 计算机专业视角

梯度 = 「最陡上坡方向」，整个深度学习都建立在它之上。 $\nabla u=(u_x^{\prime },u_y^{\prime },u_z^{\prime })$ 指向函数增长最快的方向，模长就是最大变化率。训练神经网络就是反复算损失对参数的梯度、再朝梯度反方向走一小步（梯度下降）来把 loss 降下去；自动微分框架（PyTorch、TensorFlow）的核心任务就是高效地算这个梯度。图像处理里的梯度则用来检测边缘（亮度变化最快处）。

🌱 大一新生提示

一句话：梯度是个向量，指向函数「上升最快」的方向。 把各个偏导数排成一个向量就是梯度。它有两个关键性质：方向是上升最快的方向（反方向就是下降最快），长度是这个最快变化率的大小。所以求「沿哪个方向方向导数最大」这类问题，答案永远是梯度方向，最大值就是梯度的模。

散度与旋度

定义：设向量场$\vec{A}(x,y,z)=(P(x,y,z),Q(x,y,z),R(x,y,z))$，则散度$\text{div}\vec{A}=\frac{\partial P}{\partial x}+\frac{\partial Q}{\partial y}+\frac{\partial R}{\partial z}$，旋度$\overrightarrow{\text{rot}}\vec{A}=\left|\begin{array}{ccc}\vec{i}& \vec{j}& \vec{k}\\ \frac{\partial }{\partial x}& \frac{\partial }{\partial y}& \frac{\partial }{\partial z}\\ P& Q& R\end{array}\right|$。

💻 计算机专业视角

散度与旋度 = 描述向量场的「源」与「漩涡」，流体和电磁仿真离不开。 散度 $\mathrm{div}\vec{A}$ 是个标量，衡量某点是「源」还是「汇」（流出还是流入）；旋度 $\mathrm{rot}\vec{A}$ 是个向量，衡量场在该点的旋转强度与轴向。计算流体力学（CFD）、电磁场仿真、乃至图形学里的流体/烟雾模拟，都要离散地计算散度和旋度；散度为零的场叫「无源场」，旋度为零的叫「无旋场」（对应有势场）。

🌱 大一新生提示

一句话：散度看「向外冒还是往里吸」，旋度看「转不转」。 把向量场想成水流：散度是个数，正的表示这点像个泉眼（往外冒水），负的像个排水口；旋度是个向量，表示水流在这点打转的强度和转轴方向。散度按公式把三个分量各自求偏导再相加；旋度套那个含 $\vec{i},\vec{j},\vec{k}$ 和偏导算子的行列式来算。