普 通 高 等 教 育“十 一 五”国 家 级 规 划 教 材
全微分及极值概念
多元函数微分学 · 第 19 次课
教材：《医科高等数学》第四版（张选群 主编）
高等数学 C · 授课对象：医学生 · 2 学时
$dz=f_x dx+f_y dy$ · $AC-B^2$ 判别 · 驻点与鞍点 · 全微分近似 · 切平面与等高线
💭 上课之前 · 请想一想
💊
药效同时受"剂量"和"给药间隔"两个因素影响，两个因素各微调一点点，总变化怎么一次算出来？
偏导数只回答"单独调一个因素、另一个不动"时的变化率；现在两个因素同时都动，需要把它们的变化拼成一个总的线性近似——这就是全微分。
🏔️
山顶和鞍部都是"平的"（两个方向的坡度都是零），怎么区分哪个是极值、哪个是鞍点？
山顶四周都往下，鞍部却是前后是谷、左右是脊。两者在数学上都是驻点（$f_x=f_y=0$），但结论相反——这就是本课第二条红线：驻点未必是极值点。
✦ 带着这两个问题，进入今天的主角 ✦
🤔 什么叫"全微分"？
偏导数是"沿坐标轴方向的变化率"——全微分把两个方向的变化拼成一个线性总变化
✏️全微分：$dz=f_x dx+f_y dy$，两个偏微分之和
🎯红线：偏导存在 ⟹ 可微 不成立；偏导连续 ⟹ 可微 成立
🏔️驻点：$f_x=f_y=0$，但驻点未必是极值点（鞍点）
🧭判别：$AC-B^2$ 三种符号决定极大、极小还是鞍点
先看动态演示：拖动 $x_0$，比较"切线的增量"（全微分的线性部分）与"曲线的实际增量"——两者在小增量下几乎重合，这就是全微分近似的直观来源。
"全微分"不是一个另起炉灶的新概念，而是把两个偏导数拼成的"线性主部"：
它告诉你，自变量同时微调一点点时，函数值按线性近似改变了多少。
—— 从偏导数到全微分，是"组合"而不是"跳跃"
⛰️
切平面与鞍点
两个几何对象，正好对应本课的两条主线：全微分的几何意义是切平面；
驻点里最"反直觉"的是鞍点。
📖 全微分的几何意义：切平面
一元函数的微分 $dy=f'(x)dx$，几何上是曲线在一点处的切线上的增量。到了二元函数，曲面 $z=f(x,y)$ 在一点处不再只有一条切线，而是一整张切平面。
全微分 $dz=f_x dx+f_y dy$ 给出的，正是切平面上的线性增量：它由两个方向的斜率 $f_x$、$f_y$ 线性组合而成。切平面是曲面在这一点的"最佳线性近似"——在足够小的邻域里，曲面几乎与切平面重合，误差 $o(\rho)$ 是高阶无穷小。
🧭 两个斜率$f_x$ 决定切平面沿 $x$ 方向的倾斜，$f_y$ 决定沿 $y$ 方向的倾斜
➕ 线性组合$dz=f_x dx+f_y dy$ 把两个方向的变化叠加成总变化
📏 高阶无穷小全增量与全微分之差 $o(\rho)$ 比 $\rho$ 更快地趋于零
🐴 鞍点：为什么"平"不等于"极值"
把曲面想象成马鞍：骑手坐的位置（中心）向前后看是下坡，向左右看却是上坡。这个中心点沿两个方向坡度都是零（$f_x=f_y=0$，是驻点），但它既不是极大也不是极小——在一个方向是极大、在另一个方向是极小。
鞍点这个概念在医学上并非空谈：一个响应指标可能对剂量是"先升后降"（有极大），对间隔却是"先降后升"（有极小），那么两者的交点就是一个鞍点——它意味着"沿某个方向微调有效、沿另一个方向微调反而有害"，需要特别小心地控制方向。
上一课我们学会用链式法则求复合与隐函数的偏导；这一课把它们组合成全微分，再用二阶偏导回答一个更实际的问题：一个"平的"驻点，到底是山顶、谷底，还是鞍部。
💡 学这一课之前
上一课我们用链式法则算复合函数与隐函数的偏导；更早我们定义过偏导数 $f_x=\dfrac{\partial z}{\partial x}$、$f_y=\dfrac{\partial z}{\partial y}$。但偏导数都是"一次只看一个方向"：求 $f_x$ 时把 $y$ 冻结，求 $f_y$ 时把 $x$ 冻结。今天要问一个更贴近实际的问题：两个变量同时都动一点，总变化怎么算？
➕
一、全微分 = 两个偏导数的"线性组合"
全增量 $\Delta z=f(x_0+\Delta x,y_0+\Delta y)-f(x_0,y_0)$ 是"总的真实变化"；全微分 $dz=f_x dx+f_y dy$ 是它的线性主部。两者相差一个高阶无穷小 $o(\rho)$，所以 $\Delta z\approx dz$。
🩺
二、为什么医学生必须学它
生理指标很少只依赖一个因素：药效依赖剂量与间隔，清除率依赖肝功与肾功，剂量调整依赖体重与年龄。多因素同时微调时，全微分给出一次性线性估计，还能比较哪个因素更"敏感"（对应偏导更大）。这是剂量个体化调整的数学语言。
🎯
三、本课的三条主线
①全微分：定义 $dz=f_x dx+f_y dy$ 与近似计算；②可微与偏导的关系：偏导连续 ⟹ 可微 ⟹ 偏导存在，反方向不成立（红线）；③极值与判别：驻点未必极值（红线），用 $AC-B^2$ 的三种情形判定（红线）。
✦ 从"一次一个方向"到"所有方向一起动" ✦
19.1 全微分的概念 · 从"一个方向"到"两个方向"
偏导数一次只让一个自变量动；全微分让两个自变量同时动，并把总变化近似成两个偏导数贡献的线性叠加。
✏️ 定义（增量形式）
设函数 $z=f(x,y)$ 在点 $(x_0,y_0)$ 的某邻域内有定义。给自变量增量 $\Delta x$、$\Delta y$，函数的全增量为
$$\Delta z=f(x_0+\Delta x,\ y_0+\Delta y)-f(x_0,y_0)$$
如果存在与 $\Delta x$、$\Delta y$ 无关的常数 $A$、$B$，使得全增量能写成
$$\Delta z=A\Delta x+B\Delta y+o(\rho),\qquad \rho=\sqrt{(\Delta x)^2+(\Delta y)^2}$$
其中 $o(\rho)$ 是当 $\rho\to0$ 时比 $\rho$ 更高阶的无穷小，就称 $f$ 在 $(x_0,y_0)$ 处可微，并称 $A\Delta x+B\Delta y$ 为 $f$ 在该点的全微分，记作 $dz$。
💡 这个定义在说什么：全增量 $\Delta z$ 被拆成两部分——线性主部 $A\Delta x+B\Delta y$（它随增量线性变化）和高阶无穷小 $o(\rho)$（它比 $\rho$ 更快地趋于零）。可微，就是"线性部分占主导、误差可忽略"。
🔗 关键结论：$A$、$B$ 就是两个偏导数
可以证明（在定义式中分别令 $\Delta y=0$ 与 $\Delta x=0$）：若 $f$ 在 $(x_0,y_0)$ 可微，则必有 $A=f_x(x_0,y_0)$、$B=f_y(x_0,y_0)$。因此全微分唯一，且写成
$$dz=f_x\,dx+f_y\,dy=\frac{\partial z}{\partial x}dx+\frac{\partial z}{\partial y}dy$$
也就是说：全微分 = 对 $x$ 的偏微分 + 对 $y$ 的偏微分。自变量微分 $dx=\Delta x$、$dy=\Delta y$，于是 $dz=f_x dx+f_y dy$ 是 $dx$、$dy$ 的线性函数。
📝 例：写出全微分
设 $z=x^2y+y^2$，求 $dz$。
解
先求两个偏导：$f_x=\dfrac{\partial z}{\partial x}=2xy$，$f_y=\dfrac{\partial z}{\partial y}=x^2+2y$。于是全微分为 $dz=2xy\,dx+(x^2+2y)\,dy$。请注意：求 $f_x$ 时 $y$ 当常数、求 $f_y$ 时 $x$ 当常数，这条规则从偏导数原封不动搬过来。
① 为什么必须出现 $o(\rho)$
全增量 $\Delta z$ 一般不是 $dx$、$dy$ 的线性函数（例如 $z=x^2y$ 的 $\Delta z$ 里会出现 $(\Delta x)^2$、$\Delta x\Delta y$ 这类交叉项）。可微的定义要求：把"线性主部"拿出来之后，剩下的那部分必须小到可以被忽略——写成 $o(\rho)$ 正是这个意思。
② $\rho$ 是什么、$o(\rho)$ 是什么
$\rho=\sqrt{(\Delta x)^2+(\Delta y)^2}$ 是"自变量移动的距离"。$o(\rho)$ 表示一个函数，它满足 $\lim\limits_{\rho\to0}\dfrac{o(\rho)}{\rho}=0$：它比 $\rho$ 更快地趋于零。比如 $(\Delta x)^2+(\Delta y)^2$ 就是 $\rho^2$，除以 $\rho$ 后还剩 $\rho$，仍趋于零，所以是 $o(\rho)$。
③ 全微分与全增量的差别
$\Delta z$ 是"真实变化"，$dz$ 是"线性近似变化"，二者之差就是 $o(\rho)$：$\Delta z-dz=o(\rho)$。这也是为什么全微分能用来做近似计算——当 $\Delta x$、$\Delta y$ 很小时，忽略 $o(\rho)$ 的误差很小。
④ 三元及更多元
对 $u=f(x,y,z)$，全微分推广为 $du=f_x dx+f_y dy+f_z dz$——每个自变量各贡献一项，把对应偏导与微分相乘再相加即可。
19.2 可微、偏导与连续的关系 · 本课第一红线
"可微"是比"偏导存在"更强的要求。把这条包含关系记清楚，考试里九成的概念题都迎刃而解。
🔗 正确的关系链
在一元函数里，可导与可微等价；但到了多元函数，可微与偏导存在不再等价：
$$\text{偏导数连续}\ \Longrightarrow\ \text{可微}\ \Longrightarrow\ \text{偏导存在}$$
这条链从左到右每一条都成立：偏导数连续，则一定可微；可微，则偏导数一定存在。但链反过来都不成立。
⚠️ 本课红线（务必记死）：① 偏导数存在 不保证 可微（偏导存在只是可微的必要条件，不是充分条件）；② 偏导数连续 才保证 可微（这是可微的一个充分条件）；③ 可微 保证 偏导存在（且可微必连续）。这条链最常考、也最容易把箭头方向写反。
📈 动态演示：包含关系维恩图
拖动滑块，依次点亮三个集合，看清"偏导连续 ⊂ 可微 ⊂ 偏导存在"的嵌套关系。
💥 反例：偏导存在，但不可微（甚至不连续）
取分段函数
$$f(x,y)=\begin{cases}\dfrac{xy}{x^2+y^2}, & (x,y)\neq(0,0)\\[2mm] 0, & (x,y)=(0,0)\end{cases}$$
在原点：沿坐标轴方向 $f$ 恒为零（$f(x,0)=0$、$f(0,y)=0$），所以 $f_x(0,0)=0$、$f_y(0,0)=0$——两个偏导数都存在。但是沿直线 $y=x$，有 $f(x,x)=\dfrac{x^2}{2x^2}=\dfrac12$，当 $(x,y)\to(0,0)$ 时它趋于 $\dfrac12$，并不等于 $f(0,0)=0$——所以 $f$ 在原点不连续，自然更不可微。
🔬 这个反例的杀伤力
它说明偏导存在连"连续"都保证不了（更别说可微）。原因在于：偏导数只沿着两条坐标轴检验变化，而极限/连续要求沿任何方向都一致——方向一多，坐标轴"都挺好"远远不够。
🧊 另一个方向的反例：连续但偏导不存在
取 $f(x,y)=\sqrt{x^2+y^2}$（点到原点的距离）。它在原点连续（趋近原点时值趋于 0），但 $f_x(0,0)=\lim\limits_{\Delta x\to0}\dfrac{|\Delta x|}{\Delta x}$ 不存在——左右极限一正一负。连续也不保证偏导存在。可见"连续"与"偏导存在"互不蕴含，只有"可微"能同时推出两者。
19.3 全微分的近似计算
全微分把"非线性变化"近似成"线性变化"，于是多了一个实用工具：用函数在已知点的值和偏导，近似附近点的函数值。
🔢 近似公式
由 $\Delta z\approx dz$，立即得到
$$f(x_0+\Delta x,\ y_0+\Delta y)\approx f(x_0,y_0)+f_x(x_0,y_0)\Delta x+f_y(x_0,y_0)\Delta y$$
使用要点：选一个"好算"的基点 $(x_0,y_0)$（让 $f$、$f_x$、$f_y$ 都好算），再把增量 $\Delta x$、$\Delta y$ 代进去。
📝 例：计算 $(1.02)^2\times1.99$ 的近似值
取 $f(x,y)=x^2y$，基点 $(x_0,y_0)=(1,2)$，增量 $\Delta x=0.02$、$\Delta y=-0.01$。
解
先算基点处的值：$f(1,2)=1^2\times2=2$，$f_x=2xy$ 在 $(1,2)$ 处为 $4$，$f_y=x^2$ 在 $(1,2)$ 处为 $1$。于是 $f\approx2+4\times0.02+1\times(-0.01)=2+0.08-0.01=2.07$。精确值为 $2.070396$，误差仅 $0.000396$，相对误差约 $0.02\%$。
🎯 为什么这么准：误差来自被丢掉的 $o(\rho)$。这里 $\rho=\sqrt{0.02^2+0.01^2}\approx0.022$，被丢掉的项是 $(\Delta x)^2\Delta y$、$\Delta x(\Delta y)^2$ 等二阶及以上的小量，所以误差在 $10^{-4}$ 量级。
📈 动态演示：增量越大，误差越大
下图画的是固定 $y=2$ 时 $f=x^2y$ 的截面曲线 $z=2x^2$ 与它在 $x_0=1$ 处的切线。拖动 $\Delta x$ 变大，观察"曲线增量"与"切线增量"的差距如何拉开。
19.4 二元函数的极值与驻点 · 本课第二红线
极值问题问的是：在一点附近，函数值是不是"四周都最大"或"四周都最小"。多元的情形比一元多了一个麻烦——"驻点"未必是极值。
✏️ 定义
若存在点 $(x_0,y_0)$ 的一个邻域，使得邻域内每一点都有 $f(x,y)\le f(x_0,y_0)$，则称 $f(x_0,y_0)$ 为极大值；若恒有 $f(x,y)\ge f(x_0,y_0)$，则为极小值。极大值与极小值统称极值，取得极值的点叫极值点。
🎯 必要条件：两个一阶偏导都等于零
设 $f$ 在 $(x_0,y_0)$ 处可微且取得极值，则在该点
$$f_x(x_0,y_0)=0,\qquad f_y(x_0,y_0)=0$$
使 $f_x=f_y=0$ 的点称为驻点。所以：可微的极值点必是驻点——先解方程组 $f_x=0$、$f_y=0$，把候选点找出来。
⚠️ 本课红线（务必记死）：驻点不一定是极值点。两个一阶偏导都为 0，只说明曲面在这一点"是平的"（有水平切平面），但"平"既可能是山顶、谷底，也可能是鞍点——一个方向是极大、另一个方向是极小。所以必要条件只能用来"找候选"，不能用来"下结论"。
🐴 鞍点：最经典的反例 $z=x^2-y^2$
$f_x=2x$、$f_y=-2y$，令二者为零得唯一驻点 $(0,0)$，且 $f(0,0)=0$。
沿 $x$ 方向（$y=0$）
$z=x^2\ge0$，在 $x=0$ 处取极小值 0——这条截线开口向上。
沿 $y$ 方向（$x=0$）
$z=-y^2\le0$，在 $y=0$ 处取极大值 0——这条截线开口向下。
同一个点 $(0,0)$，一个方向是极小、另一个方向是极大，它既不是极大值点也不是极小值点——这就是鞍点。马鞍中心正是这样：前后是谷、左右是脊。
📈 动态演示：两个方向的截线
拖动滑块切换观察方向，比较"沿 $x$ 方向"与"沿 $y$ 方向"两条截线——一条开口向上、一条开口向下，原点同时是极小与极大。
① 必要条件 = 只能"淘汰"不能"确认"
$f_x=f_y=0$ 是极值的必要条件：不是驻点，就一定不是可微函数的极值点（可以直接淘汰）；但是驻点，不保证是极值点。所以它只负责"缩小候选范围"。
② 反例一：鞍点（驻点但非极值）
$z=x^2-y^2$ 在原点 $f_x=f_y=0$，却是鞍点。$z=x^3+y^3$ 在原点也有 $f_x=f_y=0$，但沿 $x$ 方向它单调上升、沿 $y$ 方向也单调上升，原点附近两侧函数值一正一负，同样不是极值。
③ 反例二：极值点也可以不可微
$f(x,y)=|x|+|y|$ 在原点取得极小值 0（显然四周都不小于 0），但 $f_x(0,0)$、$f_y(0,0)$ 都不存在——它根本不是驻点。所以"极值点 ⟹ 驻点"这条要加前提"可微"；不可微的点也可能取极值，需要用定义直接判断。
④ 结论：先找驻点，再用二阶信息判定
完整流程是两步：第一步解 $f_x=0$、$f_y=0$ 找驻点（同时留意不可微点）；第二步对每个驻点用下一节的 $AC-B^2$ 判别式判定。第一步给候选，第二步给结论。
19.5 极值的充分条件 · $AC-B^2$ 判别式 · 本课第三红线
驻点只是"平的"，到底是不是极值、是极大还是极小，要用二阶偏导来判定——这就是 $AC-B^2$ 判别式。
✏️ 判别式
设 $f$ 在驻点 $(x_0,y_0)$ 的某邻域内有一阶、二阶连续偏导，记
$$A=f_{xx}(x_0,y_0),\quad B=f_{xy}(x_0,y_0),\quad C=f_{yy}(x_0,y_0),\quad \Delta=AC-B^2$$
判别结论（三种情形必须写全）：
| 判别式 $\Delta=AC-B^2$ | 附加条件 | 结论 |
|---|
| $\Delta\gt0$ | $A\lt0$ | 极大值 |
| $A\gt0$ | 极小值 |
| $\Delta\lt0$ | — | 无极值（是鞍点） |
| $\Delta=0$ | — | 不能判定，需另法 |
👉 左右滑动查看完整表格 👈
⚠️ 本课红线（务必记死）：① $\Delta\gt0$ 时必有极值，再看 $A$ 的符号定极大/极小（$A\lt0$ 极大、$A\gt0$ 极小）；② $\Delta\lt0$ 时一定无极值，是鞍点；③ $\Delta=0$ 时判别式失效，既可能有极值也可能是鞍点，必须用定义（或其它方法）另行判断。三句话一条都不能少。
📝 例：求 $f(x,y)=x^3+y^3-3xy$ 的极值
第一步求驻点：$f_x=3x^2-3y=0$、$f_y=3y^2-3x=0$，解得驻点 $(0,0)$ 与 $(1,1)$。
第二步算二阶偏导：$A=f_{xx}=6x$、$B=f_{xy}=-3$、$C=f_{yy}=6y$，判别式 $\Delta=36xy-9$。
在 $(0,0)$
$\Delta=0-9=-9\lt0$，所以 $(0,0)$ 是鞍点，$f(0,0)=0$ 不是极值。
在 $(1,1)$
$\Delta=36-9=27\gt0$ 且 $A=6\gt0$，所以 $(1,1)$ 是极小值点，极小值 $f(1,1)=1+1-3=-1$。
📈 动态演示：三种情形对比
拖动滑块在"极小 / 极大 / 鞍点"三种情形间切换，看二阶信息如何决定驻点的命运。
🕳️ $\Delta=0$ 失效：两个反例
$f=x^2+y^4$（仍是极小）
在 $(0,0)$：$A=2$、$B=0$、$C=12y^2\big|_{(0,0)}=0$，故 $\Delta=0$。但 $x^2+y^4\ge0$ 且仅在该点取 0，所以 $(0,0)$ 其实是极小值点——判别式"漏判"了。
$f=x^2-y^4$（实为鞍点）
在 $(0,0)$ 同样 $\Delta=0$。但沿 $x$ 方向 $z=x^2$ 取极小、沿 $y$ 方向 $z=-y^4$ 取极大，所以 $(0,0)$ 是鞍点。同样是 $\Delta=0$，结论却不同，必须另法判断。
① $\Delta\gt0$：二阶项"同号"，必为极值
在驻点附近，$\Delta z\approx\dfrac12(A\Delta x^2+2B\Delta x\Delta y+C\Delta y^2)$。当 $\Delta=AC-B^2\gt0$ 时，这个二次型正定或负定：沿任何方向它都保号。$A\gt0$ 时处处 $\Delta z\ge0$，是极小；$A\lt0$ 时处处 $\Delta z\le0$，是极大。
② $\Delta\lt0$：二阶项"异号"，必为鞍点
此时二次型不定：有的方向 $\Delta z\gt0$（极小方向）、有的方向 $\Delta z\lt0$（极大方向）。曲面在这些方向上分别开口向上、向下，就像马鞍，故为鞍点，不是极值。
③ $\Delta=0$：判别失效
$\Delta=0$ 意味着二阶信息"不足以定性"——二次型退化。这时极值由更高阶的项决定：$x^2+y^4$ 是极小、$x^2-y^4$ 是鞍点，二者 $\Delta$ 都等于 0。遇到 $\Delta=0$，要回到极值的定义（比较邻域内的函数值）来判断，不能硬套判别式。
④ 与一元函数的对照
一元里 $f''(x_0)\gt0$ 极小、$f''(x_0)\lt0$ 极大、$f''(x_0)=0$ 失效——这条"二阶导判别"正是二元 $\Delta=AC-B^2$ 判别的特例。把 $AC-B^2$ 想成"两个方向曲率的乘积减去交叉曲率的平方"，就理解它为什么能区分三种情形了。
19.6 医学应用与 AI 联系
全微分与极值，一头连着"多因素微调"的临床问题，一头连着"训练模型"的优化问题。它们共用同一套语言：线性近似与驻点判别。
💊 医学应用：两因素同时微调的线性估计
设某个生理指标 $z=f(x,y)$ 同时受两个可控因素影响，例如剂量 $x$ 与给药间隔 $y$。若当前方案为 $(x_0,y_0)$，现在把剂量调 $\Delta x$、间隔调 $\Delta y$，指标的变化可近似为
$$\Delta z\approx f_x(x_0,y_0)\Delta x+f_y(x_0,y_0)\Delta y$$
这个式子给出两个直接可用的判断：
🎯 谁的"敏感度"高
$|f_x|$ 与 $|f_y|$ 的大小，就是"指标对剂量"与"指标对间隔"的敏感度。偏导大的一方，微调它带来的变化更明显——据此决定优先调哪个因素。
➕ 变化是"叠加"的
两因素同时调的总效果，近似等于"单独调 $x$"与"单独调 $y$"两个效果的线性叠加——这是全微分的核心结论，前提是增量足够小。
📌 务必注意前提：全微分近似只在增量很小时可靠（误差 $o(\rho)$ 高阶小）。若剂量、间隔大幅调整，非线性项不可忽略，必须回到函数本身计算，不能用线性近似硬套。本段只讲方法，不代入具体药物参数。
🗺️ 等高线视角：响应面上的极值与鞍点
把指标值画成"等高线"（同一高度的点连成一条线），山顶是等高线层层收缩的圆心，鞍部是等高线呈"X"字形交叉的垭口。拖动滑块改变等高线高度，观察两者的区别。
🤖 数学与 AI：驻点、鞍点与损失函数
训练一个神经网络，本质上是求损失函数的最小值——这是一个典型的多元极值问题，损失函数的自变量是数以万计的参数。
🎯 梯度为零 = 驻点
损失函数对每个参数求偏导，拼成梯度。梯度为零的点就是本课的驻点：它满足"所有方向的一阶变化都为零"。梯度下降法不断沿负梯度走，就是为了"找到梯度为零的地方"。
🐴 鞍点是训练的真痛点
高维空间里，驻点大多是鞍点而非极小点。梯度为零却不下降，训练就会"卡住"。这正是本课红线"驻点未必极值"在深度学习里的现实版本。
🧭 判别式 = 二阶信息
$AC-B^2$ 对应损失函数 Hessian 矩阵的行列式信息：它刻画"曲率"。二阶优化方法（如牛顿法）正是利用它，比只用一阶（梯度）的梯度下降更快也更稳。
🔗 全微分 = 一阶近似
梯度下降的一步更新 $w\leftarrow w-\eta\nabla L$，其依据正是全微分的一阶近似：沿负梯度方向走一小步，损失大致线性下降。学习率 $\eta$ 控制"这一步有多大"，过大则线性近似失效。
🔍 一句话贯通：本课的"全微分"给了 AI 一阶优化的近似依据，"$AC-B^2$ 判别式"给了二阶优化的曲率信息，"驻点未必极值"则解释了为什么高维优化里鞍点比局部极小更让人头疼。多元微积分不是纸上谈兵，它就是优化算法的数学底座。
19.7 拓展资源 · 自主加练
本课配有一条知识短片（约 8 分钟，中文解说 + 同步字幕，覆盖全课主线），另有可交互演示与公开课检索入口，方便你按自己的节奏复习。
🎬 本课知识短片
📖 短片内容：全微分的定义 → 可微与偏导的关系链 → 全微分近似计算 → 驻点与鞍点 → $AC-B^2$ 三种情形 → 医学中的两因素微调 → AI 里的损失函数与鞍点。本片为中文解说版（配音 + 同步字幕，无背景音乐，画面与配音均由程序生成），内容依据《医科高等数学》第四版。
🧪 页内交互演示（直接拖动滑块）
| 演示 | 位置 | 看什么 |
|---|
| 切线的线性近似 | 开场 | 拖动 $x_0$，比较切线增量与曲线增量，理解全微分近似的来源 |
| 可微与偏导的包含关系 | 19.2 节 | 切换高亮层级，看清"偏导连续 ⊂ 可微 ⊂ 偏导存在" |
| 近似计算的误差 | 19.3 节 | 拖动 $\Delta x$ 变大，观察线性近似误差如何拉开 |
| 鞍点的两个方向 | 19.4 节 | 切换观察方向，看原点沿 $x$ 极小、沿 $y$ 极大 |
| 判别式三种情形 | 19.5 节 | 在极小 / 极大 / 鞍点间切换，看二阶信息决定结论 |
| 等高线上的极值与鞍点 | 19.6 节 | 改变等高线高度，区分"层层收缩的圆心"与"X 形交叉" |
👉 左右滑动查看完整表格 👈
📚 公开课与教材配套资源
🎓 中国大学 MOOC
在 icourse163.org 搜索"高等数学"或"医科高等数学"，可找到多所高校的完整课程录像。全微分与多元极值通常归在"多元函数微分学"模块内。
📺 视频平台
在主流视频平台搜索"全微分""多元函数极值""鞍点判别"，建议优先选择播放量大、有配套板书讲解的视频，边看边把 $AC-B^2$ 的三种情形自己默写一遍。
📖 教材对应章节
《医科高等数学》第四版（张选群主编）多元函数微分学一章：全微分、全微分在近似计算中的应用、二元函数的极值。课后习题建议全部完成，其中"求全微分"与"求驻点并判别极值"两类各做 3 道。
📌 复习建议：这一章最容易在"箭头方向"上栽跟头。建议按这个顺序练：先练求全微分（两个偏导相乘再相加）→ 再练近似计算（选基点、代增量）→ 再练求驻点（解二元方程组）→ 最后练 $AC-B^2$ 判别（三种情形 + $\Delta=0$ 失效）。尤其要把"偏导存在不保证可微""驻点未必极值"两条红线各默写三遍。
19.8 随堂练习 · 答对撒花庆祝 🎉
1️⃣ 函数 $z=x^2y+3xy^2$ 的全微分 $dz$ 等于？
A. $(2xy+3y^2)dx+(x^2+6xy)dy$
B. $(x^2+3y^2)dx+(x^2+6xy)dy$
C. $(2xy+3y^2)dx+(2x+6y)dy$
D. $(2x+3y)dx+(x+6y)dy$
2️⃣ 用全微分近似计算 $(1.02)^2\times1.99$，结果最接近？
A. 2.06
B. 2.07
C. 2.08
D. 2.04
3️⃣ 函数 $f(x,y)=x^3+y^3-3xy$ 的极值，下列判断正确的是？
A. $(0,0)$ 与 $(1,1)$ 都是极小值点
B. $(0,0)$ 是鞍点，$(1,1)$ 是极小值点
C. $(1,1)$ 是极大值点，$(0,0)$ 是极小值点
D. 该函数不存在驻点
4️⃣ 设 $f(x,y)=x^2+y^4$，在 $(0,0)$ 处判别式 $\Delta=AC-B^2=0$（失效）。则 $(0,0)$ 实际是？
A. 极小值点（因 $x^2+y^4\ge0$ 且仅在该点取 0）
B. 极大值点
C. 鞍点
D. 不是驻点
5️⃣ 关于"可微"与"偏导存在"的关系，下列正确的是？
A. 偏导数存在，则函数必可微
B. 函数可微，则两个偏导数必都存在
C. 偏导数连续是函数可微的必要条件
D. 可微与偏导数存在互为充要条件
19.9 数学思维导图 · 本课小结
🧠 全微分与极值知识思维导图
📘 全微分
与极值
全微分
- 定义 $dz=f_x dx+f_y dy$
- 全增量 = 线性主部 + $o(\rho)$
- 近似计算 $\Delta z\approx dz$
- 切平面是几何意义
可微与偏导
- 偏导连续 ⟹ 可微 ⟹ 偏导存在
- 偏导存在，未必可微
- 可微必连续
- 连续与偏导互不蕴含
驻点与鞍点
- 必要条件 $f_x=f_y=0$
- 驻点未必极值
- 鞍点：一方向极大一方向极小
- 不可微点也可能取极值
判别式
- $A=f_{xx}$、$B=f_{xy}$、$C=f_{yy}$
- $\Delta=AC-B^2$
- $\Delta\gt0$ 有极值
- $\Delta\lt0$ 鞍点、$\Delta=0$ 失效
应用
- 医学两因素微调
- 敏感度 = 偏导大小
- AI 损失函数优化
- 等高线看极值与鞍点
✅ 本课小结
✏️
全微分是"线性主部"：$dz=f_x dx+f_y dy$，它是全增量 $\Delta z=A\Delta x+B\Delta y+o(\rho)$ 里的线性部分。写成两个偏微分的和，是后续近似计算与极值判别的共同起点。
🎯
可微与偏导的关系（红线）：偏导数连续 ⟹ 可微 ⟹ 偏导存在，箭头反方向不成立。偏导存在只保证"沿坐标轴"的局部信息，不够推出可微；反例 $xy/(x^2+y^2)$ 在原点偏导存在却不连续。
🔢
近似计算：$f(x_0+\Delta x,y_0+\Delta y)\approx f(x_0,y_0)+f_x\Delta x+f_y\Delta y$。选好算的基点，代增量，误差是被丢掉的 $o(\rho)$，增量越小越准。
🏔️
驻点未必极值（红线）：可微的极值点必满足 $f_x=f_y=0$（驻点），但驻点可能是鞍点——$z=x^2-y^2$ 在原点沿 $x$ 极小、沿 $y$ 极大。找驻点只是第一步，下结论要靠二阶信息。
🧭
$AC-B^2$ 三种情形（红线）：$\Delta\gt0$ 有极值（$A\lt0$ 极大、$A\gt0$ 极小）；$\Delta\lt0$ 无极值（鞍点）；$\Delta=0$ 失效需另判。三句话一条不能少。
🏥
医学与 AI 里的同一套语言：两因素微调用全微分线性估计、用偏导比敏感度；AI 训练求损失函数极小值，梯度为零是驻点、鞍点是训练痛点、$AC-B^2$ 对应 Hessian 的曲率信息。
🚀
下节预告：条件极值——本课是"无条件极值"（自变量自由变化）；下一课加一条约束 $\varphi(x,y)=0$，例如"固定总剂量下如何分配使疗效最大"，主角是拉格朗日乘数法。