Turunan Parsial

Kalkulus multivariabel dari prinsip pertama

Satu ide membawa sebagian besar kalkulus multivariabel: untuk menurunkan fungsi dengan banyak variabel, ubah hanya satu variabel setiap kali dan bekukan semua yang lain. Tahan y tetap, goyangkan x, dan tanyakan bagaimana f merespons. Laju perubahan itu adalah turunan parsial ∂f/∂x.

Simbol keriting ∂ ("partial") adalah satu-satunya notasi baru. Yang lain adalah diferensiasi Kursus-I (aturan pangkat, aturan produk, aturan rantai) yang diterapkan seolah variabel yang dibekukan hanyalah konstanta.

Berdirilah di lereng bukit dan kemiringan yang Anda rasakan bergantung pada arah yang Anda hadapi. Berjalan ke arah timur, pertahankan posisi utara-selatan Anda tetap, dan kecuraman di bawah kaki adalah turunan parsial ∂f/∂x. Berbalik dan berjalan ke utara, pertahankan timur-barat tetap, dan Anda merasakan kemiringan yang berbeda, ∂f/∂y. Setiap parsial membekukan satu arah dan melaporkan kenaikan atau penurunan di sepanjang arah yang lain.

Di mana ini berlaku dalam MLBayangkan membekukan setiap bobot dalam jaringan kecuali satu, lalu bertanya bagaimana loss bergerak saat kamu menggeser sedikit bobot itu. Jawabannya adalah turunan parsial ∂L/∂wᵢ: tandanya memberi tahu arah mendorong bobot untuk menurunkan loss, ukurannya memberi tahu seberapa sensitif loss terhadapnya. Kumpulkan satu parsial per bobot dan kamu mendapat gradien, yang disusun beberapa pelajaran…
▶ Turunan Parsial
← Limit & Kontinuitas di RⁿParsial Orde Tinggi →