高等数学 / 系统课时
高阶导数
高阶导数
一阶导数描述函数变化得有多快,高阶导数继续追踪“变化率如何变化”。本课重点理解二阶导数的含义,并把它应用到运动加速度、函数凹凸性以及 AI 优化中损失函数的弯曲程度判断。
学习目标
- 写出二阶及更高阶导数的常用记号
- 用二阶导数判断变化率的增减与函数凹凸性
- 理解高阶导数在运动和优化问题中的作用
高阶导数是什么
设函数 可导,一阶导数为:
如果 仍然可导,就可以继续求导,得到二阶导数:
继续求导可得到 、 等。注意 是二阶导数的整体记号,不应理解成普通分数的平方。
二阶导数的直观意义
一阶导数回答“函数当前上升或下降得多快”,二阶导数回答“这个速度正在增大还是减小”。
在一个区间内检查 ,可以判断斜率的整体变化。
- 若 在区间内处处成立, 随 增大,图像向上弯。
- 若 在区间内处处成立, 随 减小,图像向下弯。
- 若某点 ,还须检查两侧凹凸性是否不同。也有二阶导数不存在的拐点。

主示例:逐阶求导
设 。对每一阶导数继续求导,得到
当 时,,图像向下弯;当 时,,图像向上弯。由于二阶导数在 两侧变号,所以 是拐点位置。
运动与 AI 优化中的含义
若位置函数为 ,则速度和加速度分别为:
因此二阶导数描述速度变化得多快。
在一元优化中, 表示斜率,梯度下降沿 更新参数。二阶导数表示斜率对位置变化的敏感程度。例如对 且 ,二阶导数恒为 ,最小点为 。
取固定学习率 ,更新 。由于 ,每一步到最小点的有符号误差满足
误差的绝对值逐步缩小,要求 ,即 。当 时,参数会在最小点两边交替,距离仍会缩小。多变量问题中,会用 Hessian 矩阵描述不同方向的二阶变化。
易混淆点
二阶导数为正不等于函数值为正,也不等于函数一定递增。判断某个区间的递增性和凹凸性,应分别检查一阶导数和二阶导数在区间上的符号。
二阶导数等于零也不一定存在拐点。例如 在 处有 ,但二阶导数两侧都不小于零,凹凸性没有改变,因此该点不是拐点。
按自己的节奏,确认真正理解。