变量替换

从第一性原理出发的多变量微积分

最后一课把这门课的两半连接起来。当你通过代换 x = g(u) 在积分中改变变量时,必须考虑这个代换如何拉伸空间。这个拉伸因子就是模块 3 中的 Jacobian 行列式,所以最终公式正是这门课中导数和积分相遇的地方。

这是课程 I 中 u-代换的多变量推广。在一维里,因子是 |dx/du|,也就是一个 1×1 的“Jacobian”。这里它变成 |det J_g|,即体积缩放因子:当映射 g 把 u-空间的小盒子压缩或扩张成 x-空间中的小盒子时,行列式会重新缩放积分,使总量保持正确。

试图用方形的 x-y 瓷砖在一个圆形区域上进行积分,就像用长方形的砖块铺设一个圆形的环岛:边缘永远无法整齐贴合。切换到环绕中心的圆形(极)坐标,形状就会自然而然地落入正轨。切换的代价是拉伸因子,它把面积元素变成了 r dr dθ,因为离中心越远的环覆盖的空间越多。

在机器学习中的应用这个单一公式是归一化流和重参数化技巧的数学核心。flow 通过可逆的 g 变换一个简单密度,并用 p_X(x) = p_Z(g⁻¹(x))·|det J_{g⁻¹}| 保持概率归一化,其中 Jacobian 行列式追踪密度如何穿过变换。VAE 中的重参数化技巧用的是同样的变量替换逻辑,让梯度能够穿过采样步骤。微积分 II 到此正好停在现代生成建模的门口。
▶ 变量替换
← 三重积分样本空间与事件 →