隐式求导

从第一性原理出发的单变量微积分

有时 y 不会以整洁的 y = f(x) 形式给出。它可能被缠在一个方程里,例如圆 x² + y² = 25。即使不解出 y,你仍然可以用隐式求导找到斜率 dy/dx。

整个方法基于一个假设:把 y 看成 x 的(隐藏)函数。然后对方程两边关于 x 求导。每当你对含 y 的项求导时,链式法则都会附加一个 dy/dx 因子,因为 y 依赖于 x。

想象一架梯子靠在墙上开始滑动。当底部向外滑出时,顶部向下滑落:水平位置 x 和垂直位置 y 同时改变,被梯子固定的长度锁在一起。你永远不会用另一个变量来解出一个变量,然而你仍然可以把它们的速率联系起来。隐函数求导正是在做这件事,求导一个将 x 和 y 捆绑在一起的方程,而无需单独把 y 解开。

在机器学习中的应用隐式求导是通向偏导数(下一门课)的入口:你固定一些变量,对其中一个变量求导。它也支撑现代机器学习中的隐式层和均衡模型:输出不是由显式公式给出,而是由一个方程定义;你要穿过这个方程求导以得到梯度。
▶ 隐式求导
← 链式法则高阶导数 →