普 通 高 等 教 育“十 一 五”国 家 级 规 划 教 材
数列与函数的极限
第一章 函数与极限 · 第 2 次课
教材：《医科高等数学》第四版（张选群 主编）
$\lim$ · $\varepsilon\text{-}N$ · $\varepsilon\text{-}\delta$ · $\infty$ · $\frac{\sin x}{x}$ · $\left(1+\frac1x\right)^x$
💭 上课之前 · 请想一想
💊
一次静脉注射之后，药物浓度最终会变成多少？
它不会突然归零，而是一小时比一小时更接近零 ——这种"无限接近却未必到达"的过程，数学上叫什么？这就是今天要学的极限。
🪜
把一根一尺长的木棍每天截去一半，永远截得完吗？
"一尺之棰，日取其半，万世不竭"——两千多年前的中国人已经想清楚了：总量有限，过程无限 。这句话里藏着的，正是极限的思想。
✦ 带着这两个问题，进入今天的主角 ✦
🤔 什么是极限？
"无限接近"这四个字，说起来容易——要把她说成一门严谨的数学，人类花了两千多年
📐 刘徽"割圆术"：用正多边形逼近圆
🔬 柯西、魏尔斯特拉斯：把"接近"写成 $\varepsilon$ 与 $\delta$
🧮 牛顿、莱布尼茨：用无限小算出切线、面积
🏥 医学：药物消除、酶促反应、稳态浓度，全是极限
先看一段动态演示：当 $n$ 越来越大，数列 $a_n=\frac{1}{n}$ 的点列奔向哪里？
"割之弥细，所失弥少，割之又割，以至于不可割，则与圆合体而无所失矣。"
—— 刘徽《九章算术注·方田》（约公元 263 年）
"The more finely you cut, the less you lose; cut and cut again, until no more cutting is possible, then it coincides with the circle and nothing is lost."
✨ 点击展开 · 极限思想的东方源头 ▼
🧮
刘徽
约公元 3 世纪 · 魏晋时期数学家 · 《九章算术注》作者
📖 割圆术：人类最早的极限算法之一
刘徽从圆内接正六边形 出发，不断把边数加倍：六边形、十二边形、二十四边形……边数越多，多边形的面积就越接近圆的面积。
他给出的方法可以写成今天的话：设圆内接正 $n$ 边形面积为 $S_n$，则 $S_n$ 随 $n$ 增大而单调增加且有上界 （不超过圆面积），所以 $S_n$ 必有极限——这个极限就是圆面积。
用这套办法，刘徽把圆内接正多边形不断加倍，一直算到正 192 边形，得到 $\pi\approx 3.14$，精确到小数点后两位。这条路可以一直走下去——后世沿此方向继续加密边数，南北朝时祖冲之已把 $\pi$ 算到小数点后七位。他并明确指出："割之弥细，所失弥少" ——这正是"无限逼近"的直观表述，比欧洲的穷竭法表述更接近现代极限思想。
🔵 割圆术 用内接正多边形面积的极限定义并计算圆周率
📏 出入相补原理 面积与体积计算的基本方法，影响后世千年的几何推算
📚 《九章算术注》 中国古代数学最重要的注释与理论著作
🧭 重差术 测量不可及目标的数学方法，推向实用测量
🌍 历史意义
刘徽的割圆术与古希腊阿基米德的"穷竭法"东西辉映，都触及了"用无限过程处理有限结果"这一核心。但真正的严格定义要等到 19 世纪——柯西与魏尔斯特拉斯用 $\varepsilon$ 语言把"无限接近"变成了可以证明的命题。
祖冲之父子在此基础上把圆周率精确到 3.1415926 与 3.1415927 之间 （约 5 世纪），这个纪录保持了近千年。
极限是微积分的地基 ：导数靠极限定义，积分靠极限定义，级数收敛也靠极限定义。就没有微积分 ——也就没有今天的药代动力学、医学影像重建与现代 AI 训练。
💡 学这一课之前
上一课我们认识了函数——它描述"变量之间的关系"。但函数是静态 的：给定 $x$，算出 $f(x)$。今天要问一个动态 的问题：当 $x$ 变化时，$f(x)$ 会走向哪里？
🧱
一、为什么说极限是微积分的"地基"
后面每一个概念都长在它上面：瞬时速度 是平均速度的极限、切线斜率 是割线斜率的极限、曲边梯形面积 是矩形面积和的极限、无穷级数的和 是部分和的极限。地基没打牢，后面全是夹生饭。
🎯
二、本课的教学特点：从"算出来"到"看趋势"
中学数学要求你算出答案 ，高等数学要求你判断趋势并证明趋势 。所以本课的重点不是"多算几个极限"，而是掌握三件事：直观理解 → 严格定义 → 计算方法 。看懂 $\varepsilon$ 与 $\delta$ 在说什么，比背十个公式更有用。
🗝️
三、怎样才能学好它
三个抓手： ①数形结合 ——每个极限都在图像上有一个直观样子，先把图画出来；②抓住三条主线 ——数列极限、函数极限、无穷小的比较；③动手算 ——本课的动态图像可以自己拖滑块，随堂练习有即时解析，算错了就看解析再算一遍。
✦ 上一课看"关系"，这一课看"趋势" ✦
2.1 数学文化 · 极限的两千年之旅
📜 从"无限接近"到"严格定义"（数学史）
公元前 3 世纪 · 古希腊阿基米德用"穷竭法"算抛物线弓形面积与球体积：先用有限多个三角形或圆柱去填，再让个数无限增多；同期中国《庄子·天下》 记下"一尺之棰，日取其半，万世不竭"。
公元 3 世纪 · 刘徽创割圆术 ，用圆内接正多边形面积逼近圆面积，算得 $\pi\approx3.1416$；5 世纪祖冲之把圆周率精确到七位小数。
17 世纪 · 牛顿与莱布尼茨各自建立微积分，用的是"无穷小 "这种说不清楚的量。这套方法算得又快又准，却被哲学家贝克莱讥笑为"消失量的鬼魂"——基础不牢，成了微积分的百年痛点。
19 世纪 · 柯西（Cauchy）把极限作为微积分的基本概念，魏尔斯特拉斯（Weierstrass）给出了我们今天用的 $\varepsilon\text{-}\delta$ 定义 ，终于把"无限接近"这句话变成了可以严格证明的数学命题。微积分从此有了牢固的地基。
📐
阿基米德 ：穷竭法的开创者，用无限过程求出有限结果，被后世称为"古代最接近微积分的人"。刘徽 ：割圆术的创立者，中国古典数学理论的奠基人。柯西 ：把极限置于微积分核心，给出极限的算术化定义。魏尔斯特拉斯 ：用 $\varepsilon\text{-}\delta$ 语言完成微积分的严格化，被称为"现代分析之父"。
💡 医学视角： 极限不是"数学家的洁癖"。1913 年，Michaelis 与 Menten 用数学式子刻画了酶促反应的饱和现象 ：底物浓度再高，反应速度也只能无限接近一个上限 $V_{\max}$——这个"上限"就是一个极限（后人称其为米氏方程，2.6 节会详细讲）。今天的药物剂量设计、肝酶代谢评估，都要用到它。
2.2 数列的极限先从最简单的情形入手：让 $n$ 取 1, 2, 3, … 一直走下去，看 $a_n$ 会稳定在哪里。
几个数列的"去向"
数列 前几项 $n\to\infty$ 时的趋势 极限 $a_n=\dfrac1n$ $1,\ \frac12,\ \frac13,\ \frac14,\cdots$ 越来越小，无限接近 0 $0$ $a_n=\dfrac{n}{n+1}$ $\frac12,\ \frac23,\ \frac34,\ \frac45,\cdots$ 越来越接近 1（但永远小于 1） $1$ $a_n=(-1)^n$ $-1,\ 1,\ -1,\ 1,\cdots$ 在 $\pm1$ 之间跳动，不趋近任何数 不存在 $a_n=2^n$ $2,\ 4,\ 8,\ 16,\cdots$ 无限增大，不趋近任何有限数 不存在（发散） $a_n=\dfrac{(-1)^n}{n}$ $-1,\ \frac12,\ -\frac13,\ \frac14,\cdots$ 在 0 两侧摆动，摆动幅度趋于 0 $0$
👉 左右滑动查看完整表格 👈
定义一（数列极限的 $\varepsilon\text{-}N$ 定义）
设 $\{a_n\}$ 为一数列，$A$ 为常数。若对任意给定的正数 $\varepsilon$（不论它多么小），总存在正整数 $N$，使得当 $n\gt N$ 时，恒有
$$|a_n-A|\lt\varepsilon,$$
则称常数 $A$ 为数列 $\{a_n\}$ 的极限，或称数列 $\{a_n\}$ 收敛于 $A$，记作
$$\lim_{n\to\infty}a_n=A\quad\text{或}\quad a_n\to A\ (n\to\infty).$$
若这样的 $A$ 不存在，则称数列发散。
🧠 这段话到底在说什么？ 把它翻译成大白话：不管你给出多小的一个允许误差 $\varepsilon$，我都能找到一个位置 $N$；从这个位置往后，所有项与 $A$ 的距离都小于这个误差。 $\varepsilon$ 是"你出的难题"，$N$ 是"我的回应"——你说多小都行，我总能办到。这就是"无限接近"的严格含义。
几何意义：把 $\varepsilon$ 想成一条"带子"
在数轴上，$|a_n-A|\lt\varepsilon$ 表示 $a_n$ 落在以 $A$ 为中心、宽 $2\varepsilon$ 的开区间 $(A-\varepsilon,\ A+\varepsilon)$ 内。数列收敛于 $A$，就是说：无论把这条带子做得多窄，数列从某一项以后的所有点都留在带子里面。
收敛数列的三条基本性质
性质 内容 怎么理解 / 有什么用 唯一性 若 $\lim\limits_{n\to\infty}a_n=A$ 且 $\lim\limits_{n\to\infty}a_n=B$，则 $A=B$ 一个数列不可能同时收敛到两个数，"极限"这个词用得放心 有界性 收敛数列必有界：存在 $M\gt0$，使 $|a_n|\leqslant M$ 对一切 $n$ 成立 收敛的数列跑不出一个有限范围；反之有界不一定收敛（如 $(-1)^n$） 保号性 若 $\lim\limits_{n\to\infty}a_n=A$ 且 $A\gt0$（或 $A\lt0$），则存在 $N$，当 $n\gt N$ 时 $a_n\gt0$（或 $a_n\lt0$） 极限为正，后面各项迟早为正；反过来，若从某项起 $a_n\geqslant0$，则 $A\geqslant0$
👉 左右滑动查看完整表格 👈
👶 教材例证 · 两个必会的极限
① 对任意常数 $c$ 与正整数 $k\gt0$，有 $\lim\limits_{n\to\infty}\dfrac{c}{n^k}=0$。因为当 $n\gt\sqrt[k]{\frac{|c|}{\varepsilon}}$ 时 $\left|\frac{c}{n^k}\right|\lt\varepsilon$。
② 等比数列 ：$\lim\limits_{n\to\infty}q^n=0$（当 $|q|\lt1$）；$\lim\limits_{n\to\infty}q^n=1$（当 $q=1$）；当 $|q|\gt1$ 或 $q=-1$ 时极限不存在。
💊 医学实例 · 多次给药的稳态浓度： 某药每次给药后在体内留下上次的 $q$ 倍（$0\lt q\lt1$）。第 $n$ 次给药后体内总量为等比数列 $S_n=C_0(1+q+q^2+\cdots+q^{n-1})=C_0\dfrac{1-q^n}{1-q}$。由 $\lim\limits_{n\to\infty}q^n=0$ 立刻得到稳态浓度
$$C_{ss}=\lim_{n\to\infty}S_n=\frac{C_0}{1-q}.$$
这就是"按固定间隔反复给药，血药浓度最终稳定在一个水平"的数学依据。
2.3 函数的极限数列的自变量只能取正整数，一步一步跳。函数的自变量可以连续变化 ，所以情况更丰富：既可以让 $x$ 靠近某个点 $x_0$，也可以让 $x$ 一直往远处走。
情形一：$x\to x_0$ 时函数的极限
设函数 $f(x)$ 在点 $x_0$ 的某个去心邻域内有定义。若存在常数 $A$，对任意给定的正数 $\varepsilon$，总存在正数 $\delta$，使得当 $0\lt|x-x_0|\lt\delta$ 时恒有
$$|f(x)-A|\lt\varepsilon,$$
则称 $A$ 为函数 $f(x)$ 当 $x\to x_0$ 时的极限，记作 $\lim\limits_{x\to x_0}f(x)=A$。
🔑 三处细节，考试常考： ① 定义里写的是 去心邻域 $0\lt|x-x_0|\lt\delta$，即 $x\neq x_0$——函数在 $x_0$ 点有没有定义、取什么值，与极限完全无关 ；② $\delta$ 依赖 $\varepsilon$（通常记作 $\delta(\varepsilon)$），$\varepsilon$ 越小 $\delta$ 一般也越小；③ $\varepsilon$ 是任意的，所以极限若存在必唯一。
左极限与右极限：从两边靠近
左极限（$x$ 从小于 $x_0$ 的一侧趋近）：$\lim\limits_{x\to x_0^-}f(x)=A$，指当 $x_0-\delta\lt x\lt x_0$ 时 $|f(x)-A|\lt\varepsilon$。重要结论： $\lim\limits_{x\to x_0}f(x)=A$ 的充分必要条件是
$$\lim_{x\to x_0^-}f(x)=\lim_{x\to x_0^+}f(x)=A.$$
💡 这条结论怎么用？ 它是判断"极限不存在"的利器。例如函数 $f(x)=\frac{|x|}{x}$（也就是符号函数 $\operatorname{sgn}x$ 在 $x\ne0$ 处的取值），当 $x\lt0$ 时 $f(x)=-1$，当 $x\gt0$ 时 $f(x)=1$：左右极限都存在但不相等，所以 $\lim\limits_{x\to0}\frac{|x|}{x}$ 不存在。分段函数在分界点处的极限，也必须用左右极限分别讨论。
情形二：$x\to\infty$ 时函数的极限
若对任意给定的正数 $\varepsilon$，总存在正数 $X$，使得当 $|x|\gt X$ 时恒有 $|f(x)-A|\lt\varepsilon$，则称 $A$ 为 $f(x)$ 当 $x\to\infty$ 时的极限，记作 $\lim\limits_{x\to\infty}f(x)=A$。
一个反直觉的经典例子：$\dfrac{\sin x}{x}$
当 $x\to0$ 时，分子 $\sin x\to0$、分母 $x\to0$，直接代入得 $\frac00$，这种式子叫未定式 。但它其实有确定的极限——拖动下面的滑块，把 $x$ 缩到很小，看函数值稳定在哪个数附近。
📌 先记结论： $\lim\limits_{x\to0}\dfrac{\sin x}{x}=1$（第一个重要极限，2.5 节会详细证明并给出用法）。这个例子的意义在于：代入后得到 $\frac00$，绝不等于"极限不存在" ——它只是说明需要另想办法。
2.4 无穷小与无穷大极限为 0 的变量有一个专门的名字：无穷小 。它是整个极限理论里最灵活的工具。
定义
若 $\lim\limits_{x\to x_0}f(x)=0$（或 $\lim\limits_{x\to\infty}f(x)=0$），则称 $f(x)$ 是当 $x\to x_0$（或 $x\to\infty$）时的无穷小 。无穷大 ，记作 $\lim f(x)=\infty$。
⚠️ 必须澄清的三点： ① 无穷小是一个变量 （或函数），不是一个很小的数 ——0 是无穷小，但 $\frac{1}{10^{100}}$ 这个固定的数不是无穷小；② 说"无穷小"必须指明自变量的变化过程 ，同一个函数在不同过程下可能有无穷小也可能没有；③ $\lim f(x)=\infty$ 只是记号 ，表示"绝对值无限增大"，并不意味着极限存在（$\infty$ 不是数）。
核心定理：把极限"拆成"常数加无穷小
$$\lim_{x\to x_0}f(x)=A\quad\Longleftrightarrow\quad f(x)=A+\alpha,$$
其中 $\alpha$ 是当 $x\to x_0$ 时的无穷小。
这条定理把"极限"这种动态描述，转化成了"常数 + 无穷小"这种可以代入运算的代数等式 ，是后面所有极限运算法则的基础。
无穷小的运算性质
性质 内容 说明与提醒 有限个之和 有限个无穷小的和仍是无穷小 必须是有限个 ；无限个无穷小之和未必是无穷小 与有界函数之积 有界函数与无穷小的乘积仍是无穷小 极常用：$\lim\limits_{x\to0}x\sin\frac1x=0$（$x$ 是无穷小，$\sin\frac1x$ 有界） 常数倍 常数与无穷小的乘积仍是无穷小 可由上一条推出（常数有界） 有限个之积 有限个无穷小的乘积仍是无穷小 同样限于有限个 与无穷大的关系 若 $f(x)$ 为无穷大，则 $\dfrac{1}{f(x)}$ 为无穷小；若 $f(x)$ 为无穷小且 $f(x)\neq0$，则 $\dfrac{1}{f(x)}$ 为无穷大 注意"$f(x)\neq0$"这个条件，否则倒数无意义
👉 左右滑动查看完整表格 👈
💊 医学实例 · 药物残余量： 一级消除的药物，血药浓度 $C(t)=C_0e^{-kt}\to0\ (t\to+\infty)$，所以"$C(t)$ 是 $t\to+\infty$ 时的无穷小"。临床上说的"经过 5 个半衰期药物基本清除"，本质上就是：$C(5t_{1/2})=C_0e^{-5\ln2}=C_0\cdot2^{-5}\approx3\%C_0$——一个足够小的量。极限告诉我们"最终会到 0"，工程上则关心"什么时候小到可以忽略"。
2.5 极限的运算法则与两个重要极限四则运算法则
设 $\lim f(x)=A$，$\lim g(x)=B$（同一变化过程），则
$$\lim\big[f(x)\pm g(x)\big]=A\pm B,\qquad \lim\big[f(x)\cdot g(x)\big]=A\cdot B,$$
$$\lim\frac{f(x)}{g(x)}=\frac{A}{B}\quad(B\neq0),\qquad \lim\big[c\,f(x)\big]=cA.$$
并且有推广：$\lim[f(x)]^n=A^n$（$n$ 为正整数）。
🔑 使用前提与常见坑： ① 前提是两个极限都存在 （商的法则还要分母极限不为 0）；② 法则对有限个 函数成立，加项个数不能是无限的；③ 若 $A=0$ 或 $B=0$，商的法则失效，此时可能出现 $\frac00$ 型未定式，需要先变形（因式分解、有理化、等价无穷小替换等）再求。
复合函数的极限
设 $\lim\limits_{x\to x_0}g(x)=u_0$，且在 $x_0$ 的某去心邻域内 $g(x)\neq u_0$；又 $\lim\limits_{u\to u_0}f(u)=A$，则
$$\lim_{x\to x_0}f\big(g(x)\big)=\lim_{u\to u_0}f(u)=A.$$
通俗地说：可以"先算内层、再算外层" ，这是换元法求极限的理论依据。条件 $g(x)\neq u_0$ 是为了保证内层函数真的"走到"了 $u_0$ 附近而不停留。
第一个重要极限
$$\lim_{x\to0}\frac{\sin x}{x}=1.$$
怎么来的？ 在单位圆中比较三块面积：设圆心角为 $x$（$0\lt x\lt\frac\pi2$），则 $\triangle OAB$ 的面积 $=\frac12\sin x$，扇形 $OAB$ 的面积 $=\frac12x$，$\triangle OAD$ 的面积 $=\frac12\tan x$。由面积大小关系
$$\frac12\sin x\lt\frac12x\lt\frac12\tan x\ \Longrightarrow\ \cos x\lt\frac{\sin x}{x}\lt1.$$
当 $x\to0^+$ 时 $\cos x\to1$，由两边夹逼得 $\frac{\sin x}{x}\to1$；再由 $\frac{\sin x}{x}$ 是偶函数，$x\to0^-$ 时同样成立。
💡 用法与配套结论： 这个极限的关键结构是"$\frac{\sin(\text{无穷小})}{\text{同一个无穷小}}\to1$ "。例如 $\lim\limits_{x\to0}\frac{\sin3x}{x}=3\lim\limits_{x\to0}\frac{\sin3x}{3x}=3$。常用推论：$\lim\limits_{x\to0}\frac{\tan x}{x}=1$、$\lim\limits_{x\to0}\frac{\arcsin x}{x}=1$、$\lim\limits_{x\to0}\frac{1-\cos x}{x^2}=\frac12$。
第二个重要极限
$$\lim_{x\to\infty}\left(1+\frac1x\right)^x=e,\qquad\text{等价形式}\qquad \lim_{x\to0}(1+x)^{\frac1x}=e,$$
其中 $e=2.718281828\cdots$ 是无理数，也是自然对数的底。
怎么来的？ 先看数列 $a_n=\left(1+\frac1n\right)^n$。用二项式展开
$$a_n=1+1+\frac{1}{2!}\left(1-\frac1n\right)+\frac{1}{3!}\left(1-\frac1n\right)\left(1-\frac2n\right)+\cdots+\frac{1}{n!}\left(1-\frac1n\right)\cdots\left(1-\frac{n-1}{n}\right),$$
可以证明 $a_n$ 单调增加且有上界 （例如上界 3），所以 $\lim\limits_{n\to\infty}a_n$ 存在，这个极限就定义为 $e$。再把这个结论从数列推广到连续变量 $x\to\infty$，即得第二个重要极限。
💊 医学实例 · 连续输注与指数增长： 当"每年结算 $m$ 次复利"的次数 $m\to\infty$ 时，本金 $P$ 变为 $P\left(1+\frac rm\right)^{mt}\to Pe^{rt}$——这就是连续复利 。微生物在营养充足的培养液中的生长、放射性药物的衰变，都遵循这种以 $e$ 为底的变化规律。所以 $e$ 又叫"自然"常数：它不是数学家编出来的，而是连续增长过程自己长出来的极限 。
2.6 数学应用（医学建模）· 数学与 AI💊 极限在药代动力学中的四个典型用法
① 消除过程的终点
一级消除 $C(t)=C_0e^{-kt}$，$\lim\limits_{t\to+\infty}C(t)=0$：药物理论上完全消除。临床关心的是"小到可忽略"的时间：约 5 个半衰期。
② 稳态浓度
按间隔 $\tau$ 反复给药，谷浓度按等比数列累积，极限即稳态谷浓度 $C_{ss}=\dfrac{D/V_d}{1-e^{-k\tau}}$。这是调整给药方案的直接依据。
③ 酶促反应的饱和
米氏方程 $v=\dfrac{V_{\max}[S]}{K_m+[S]}$，$\lim\limits_{[S]\to+\infty}v=V_{\max}$：底物再增加，速度也只能无限接近上限。
④ 低浓度下的线性
当 $[S]\to0$ 时 $v\approx\dfrac{V_{\max}}{K_m}[S]$（因为 $\frac{[S]}{K_m+[S]}\to0$ 且与 $[S]$ 同阶），一级动力学是米氏方程的低浓度极限。
🔬 建模实例：米氏方程的两个极限
米氏方程 $v=\dfrac{V_{\max}[S]}{K_m+[S]}$（$V_{\max}\gt0$，$K_m\gt0$）是酶动力学最基本的模型。拖动滑块改变 $K_m$，观察曲线如何变化。
🔍 米氏方程的两个极限 · 点击查看完整推导 ▼ 🔍 收起完整推导 ▲
① 高底物浓度：饱和
把分子分母同除以 $[S]$：$v=\dfrac{V_{\max}}{1+\frac{K_m}{[S]}}$。当 $[S]\to+\infty$ 时 $\frac{K_m}{[S]}\to0$，故 $v\to V_{\max}$。曲线上表现为一条水平渐近线——这就是"饱和"的数学含义 ：酶分子全部被底物占据后，再增加底物也没有空位可用。
② 低底物浓度：一级动力学
当 $[S]\to0$ 时，$K_m+[S]\to K_m$，于是 $v\to\dfrac{V_{\max}}{K_m}[S]$，反应速度与底物浓度成正比 ——这正是临床常见的"一级动力学"区间：剂量加倍，消除速度也加倍。
③ 常数 $K_m$ 的意义
令 $v=\frac{V_{\max}}{2}$，解得 $[S]=K_m$。所以 $K_m$ 是达到最大速度一半时所需的底物浓度 ，反映酶与底物的亲和力：$K_m$ 越小，亲和力越强，越容易饱和。
④ 与极限语言的关系
整条曲线就是"两个极限之间的过渡"：左端是线性（一级）行为的极限，右端是饱和（零级）行为的极限。药物代谢研究中的"非线性动力学"（如苯妥英钠、乙醇），本质上就是药物浓度落在了这条曲线的中段 ——既不是一级，也不是零级。
🤖 数学与 AI：训练过程本身就是一个极限过程
机器学习的"训练"，说到底是让参数沿着损失函数下降的方向不断调整，让损失值趋向某个下界 。写成式子就是梯度下降的迭代格式：
$$\theta_{k+1}=\theta_k-\eta\,\nabla L(\theta_k),\qquad k=0,1,2,\cdots$$
这里 $\eta\gt0$ 是学习率。损失值构成一个数列 $L(\theta_0),L(\theta_1),L(\theta_2),\cdots$，训练是否顺利，就看这个数列怎样变化 ：
✅ 学习率合适
损失值总体上不断下降，并逐渐趋于平稳 ：相邻两步的落差越来越小，数列看起来在逼近某个极限。这就是训练"收敛了"的表象——注意是"总体上下降"，梯度下降并不保证每一步都下降 。
⚠️ 学习率过大
每步跨得太远，损失在最小值两侧来回跳动，甚至越跳越大（数列发散）；若数值继续放大超出浮点数能表示的范围，就会溢出成 NaN 或 Inf。所以训练日志里既可能看到 loss 剧烈震荡，也可能直接看到 nan。
🐢 学习率过小
收敛存在但太慢，有限步内几乎看不出变化——极限存在，不等于很快到达 。实践中常让学习率随训练逐步衰减，兼顾"走得动"和"走得稳"。
🔍 必须分清的一点：损失趋于平稳 ≠ 找到了最优解。 损失有下界（交叉熵不小于 0），下降幅度又越来越小，损失序列确实会稳定下来；但它稳定到的可能只是局部极小值 或鞍点 附近的平坦区域，而不一定是全局最小。所以看训练曲线只能判断"还在不在学"，判断模型好不好还要看验证集 上的表现。同理，"参数序列 $\{\theta_k\}$ 收敛"与"损失序列收敛"也不是一回事——本课只需记住：极限描述的是趋势 ，趋势平稳不等于到达终点。
🏥 医学+AI 实例： AI 辅助阅片模型的训练日志里，loss 从 0.69 一路降到 0.05 后趋于平缓——0.69 约等于 $\ln 2$，正是二分类任务"完全瞎猜"时的交叉熵水平，所以这条从 0.69 往下走的曲线，含义就是"从瞎猜走向有判断"。医师看模型是否可用，看的正是损失序列是否已经收敛 。而上一课讲的激活函数 Sigmoid $\sigma(x)=\frac{1}{1+e^{-x}}$ 也有漂亮的极限：$x\to+\infty$ 时 $\sigma\to1$，$x\to-\infty$ 时 $\sigma\to0$——网络因此把任意输入"压"进 $(0,1)$ 区间。
2.7 拓展资源 · 自主加练本课配有一条知识短片 （7 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：极限是什么 → 刘徽割圆术 → ε–N 与 ε–δ → 两个重要极限 → 医学中的极限（药物消除 / 稳态浓度 / 米氏方程）→ AI 训练收敛。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 数列点列逼近 开场（2.0 之前） 增大 $N$，$a_n=\frac1n$ 的点如何挤向 0；同时看 $a_n=\frac{(-1)^n}{n}$ 如何在 0 两侧摆动 $\varepsilon$ 带子 2.2 节 把 $\varepsilon$ 调小，观察带子变窄后，是否仍存在 $N$ 使所有后续项都落入带内 $\frac{\sin x}{x}$ 的逼近 2.3 节 把 $x$ 范围缩到很小，函数值稳定在 1 附近——这就是第一个重要极限 $\left(1+\frac1x\right)^x$ 趋于 $e$ 2.5 节 把 $x$ 调大，函数值从下方单调逼近 $e\approx2.71828$ 米氏方程的饱和 2.6 节 把底物浓度推向右侧，速度趋于 $V_{\max}$；改 $K_m$ 看饱和的快慢
👉 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"，可找到多所高校的免费公开课，极限部分通常在第 2–6 讲。
📺 视频平台
在主流视频平台搜索"数列极限 ε-N 定义""两个重要极限"，建议优先选择播放量大、有配套板书的系列课。
📖 教材对应章节
《医科高等数学》第四版（张选群主编）第一章：数列的极限、函数的极限、无穷小与无穷大、极限运算法则、两个重要极限。课后习题建议全部完成，其中数列极限的证明题至少做 3 道。
📌 复习建议： 极限这一章最容易"看得懂、算不出"。看懂了定义不等于会算极限，建议按这个顺序练：先练直接代入 → 再练 $\frac00$ 型变形（因式分解 / 有理化 / 等价替换）→ 最后练 $\frac{\infty}{\infty}$ 型（同除最高次幂） 。每类各做 5 道，手感就出来了。
2.8 随堂练习 · 答对撒花庆祝 🎉 🧮 演算台
1️⃣ $\lim\limits_{n\to\infty}\dfrac{2n+1}{3n-2}=$？
A. $\dfrac32$
B. $0$
C. $\dfrac23$
D. 不存在
提交答案
🧮 演算台
2️⃣ $\lim\limits_{x\to0}\dfrac{\sin 3x}{x}=$？
A. $1$
B. $3$
C. $\dfrac13$
D. $0$
提交答案
🧮 演算台
3️⃣ $\lim\limits_{x\to\infty}\left(1+\dfrac{2}{x}\right)^{x}=$？
A. $e$
B. $2e$
C. $1$
D. $e^2$
提交答案
🧮 演算台
4️⃣ 当 $x\to0$ 时，$1-\cos x$ 与 $x^2$ 的关系是？
A. 同阶无穷小（且 $1-\cos x\sim\frac{x^2}{2}$）
B. 高阶无穷小
C. 低阶无穷小
D. 等价无穷小（$1-\cos x\sim x^2$）
提交答案
🧮 演算台
5️⃣ 一级消除药物 $C(t)=C_0e^{-kt}$（$k\gt0$），当 $t\to+\infty$ 时 $C(t)$ 是？
A. 无穷大
B. 无穷小
C. 有界但极限不存在
D. 极限为 $C_0$
提交答案
2.9 数学思维导图 · 本课小结🧠 极限知识思维导图
📘 数列与函数的
数列的极限
$\varepsilon\text{-}N$ 定义 几何意义：一条带子 唯一性 / 有界性 / 保号性 等比数列 $q^n$ 函数的极限
$x\to x_0$：$\varepsilon\text{-}\delta$ 定义 左极限与右极限 $x\to\infty$：$X$ 语言 存在的充要条件 无穷小与无穷大
极限为 0 的变量 $f(x)=A+\alpha$ 定理 有界 × 无穷小 = 无穷小 无穷小与无穷大互倒 运算法则
四则运算（必须验前提） 复合函数的极限 $\lim\frac{\sin x}{x}=1$ $\lim(1+\frac1x)^x=e$ 医学建模与 AI
消除终点 $C(t)\to0$ 稳态浓度 $C_{ss}$ 米氏方程饱和 $V_{\max}$ 训练损失的收敛
✅ 本课小结
🎯
极限刻画的是"趋势" ：当自变量按某种方式变化时，函数值稳定地趋向的那个数。它关心的不是某一点的值，而是无限接近的过程 。
🔤
$\varepsilon\text{-}N$ 与 $\varepsilon\text{-}\delta$ 是同一个思想的两种写法 ：你给任意小的误差 $\varepsilon$，我就能给出对应的 $N$ 或 $\delta$。看懂这句话，极限的定义就掌握了一半。
♾️
无穷小是工具，不是"很小的数" ：$\lim f(x)=A\Leftrightarrow f(x)=A+\alpha$（$\alpha$ 为无穷小）；"有界函数 × 无穷小 = 无穷小"是求极限时最常用的一条。
⭐
两个重要极限必须背到条件反射 ：$\lim\limits_{x\to0}\frac{\sin x}{x}=1$ 与 $\lim\limits_{x\to\infty}\left(1+\frac1x\right)^x=e$。前者解决三角型未定式，后者是连续增长与自然对数的来源。
🏥
医学里处处是极限 ：药物消除的终点、反复给药的稳态浓度、酶促反应的饱和上限、AI 训练损失的收敛，本质都是同一个数学对象。
🚀
下节预告：函数的连续性 ——把极限的要求加到函数上，就得到"连续"：$\lim\limits_{x\to x_0}f(x)=f(x_0)$。今天学的极限，正是判断函数连续、寻找间断点的工具。