七、最后一点小经验：怎么跟“二阶偏导”和平相处

2064
文章

2026-03-15其他评论2阅读模式

如果你现在正对着一本高数教材，看到“二阶偏导数”四个字，心里默默问候作者祖宗三代——没关系，我当年就是这么过来的。
这篇文章，我就打算用“讲给朋友听”的方式，把“二阶偏导数怎么求”这件事讲清楚，顺便把一些书上说不明白、老师讲太快的地方，掰开揉碎了聊一聊。

你可以一边看一边写两笔，不用太正式，就当在草稿纸上涂鸦。

我发现很多人一听到“二阶偏导数”，脑子里的下意识反应是：“这是不是特别高级的东西？”
其实不是，它就是——

先对一个变量求偏导，然后再对某个变量再求一次偏导 。

就这么简单粗暴。

假设有个函数：
[z = f(x, y)]你可以把它想象成一块起伏不平的地形图：
- (x) 是东西方向
- (y) 是南北方向
- (z) 是高度

当你在某个位置 ((x_0, y_0)) 站着，一阶偏导干的事情是：
- 对 (x) 求偏导：看在“只沿东西方向走一步”的情况下，高度变化有多快
- 对 (y) 求偏导：看在“只沿南北方向走一步”的情况下，高度变化有多快

于是有：[\frac{\partial z}{\partial x},\quad \frac{\partial z}{\partial y}]

二阶偏导呢？
就是再问一句：

“这个变化的速度本身，还在怎么变化？”

也就是说：
- (\frac{\partial^2 z}{\partial x^2}) ：沿着 (x) 方向，高度的“变化率”本身还在怎么变——有点像在看“弯不弯”
- (\frac{\partial^2 z}{\partial y^2})：沿着 (y) 方向的弯曲情况
- (\frac{\partial^2 z}{\partial x \partial y})、(\frac{\partial^2 z}{\partial y \partial x})：两个方向“混起来”的变化，有种“斜着看地形”的感觉

听起来有点抽象？没关系，马上上算法。

二、二阶偏导数怎么求？一句话版

核心操作就一句话：

先当它是一阶偏导，再对对应变量按普通求导法则、再求一次导数。

翻译成人话就是：
1.第一次求偏导：
- 把另一个变量当常数
- 狠狠地对某个变量求导
2.第二次求偏导（就是二阶了）：
- 对你刚刚得到的那个偏导，再来一次偏导
- 变量照样是：谁求导谁变，剩下的都当常数

听着还是有点虚？行，我们直接抡例题。

三、从一个具体例子开始：算到手熟为止

看这个函数：[f(x, y) = x^2y + 3xy^2]

1. 先求一阶偏导

对 (x) 的偏导 (\frac{\partial f}{\partial x})

把 (y) 当常数看：
[\frac{\partial f}{\partial x} = \frac{\partial}{\partial x}(x^2y) + \frac{\partial}{\partial x}(3xy^2)]- (x^2y) 对 (x) 求导，就是 (2xy)（因为 (y) 是“常数”）
- (3xy^2) 对 (x) 求导，就是 (3y^2)

所以：[f_x = \frac{\partial f}{\partial x} = 2xy + 3y^2]

对 (y) 的偏导 (\frac{\partial f}{\partial y})

这次把 (x) 当常数：
[\frac{\partial f}{\partial y} = \frac{\partial}{\partial y}(x^2y) + \frac{\partial}{\partial y}(3xy^2)]- (x^2y) 对 (y) 求导，就是 (x^2)
- (3xy^2) 对 (y) 求导，就是 (6xy)

所以：[f_y = \frac{\partial f}{\partial y} = x^2 + 6xy]

到这，一阶偏导搞定。

2. 同方向二阶偏导：(\frac{\partial^2 f}{\partial x^2}) 和 (\frac{\partial^2 f}{\partial y^2})

(1) 对 (x) 再求一次：(\frac{\partial^2 f}{\partial x^2})

从刚刚的 (f_x = 2xy + 3y^2) 出发，再对 (x) 求偏导：
[f_{xx} = \frac{\partial}{\partial x}(2xy + 3y^2)]- (2xy) 对 (x) 求导：(2y)
- (3y^2) 对 (x) 求导：0（没 (x)，当常数）

所以：[f_{xx} = 2y]

(2) 对 (y) 再求一次：(\frac{\partial^2 f}{\partial y^2})

从 (f_y = x^2 + 6xy) 出发，对 (y) 求偏导：
[f_{yy} = \frac{\partial}{\partial y}(x^2 + 6xy)]- (x^2)：对 (y) 来说是纯常数 → 导数 0
- (6xy) 对 (y) 求导：(6x)

所以：[f_{yy} = 6x]

3. 混合二阶偏导：(\frac{\partial^2 f}{\partial x \partial y}) 和 (\frac{\partial^2 f}{\partial y \partial x})

这俩名字看着长，其实动作非常顺：

先对一个变量求偏导，再对另一个变量求偏导。按顺序来就行。

(1) 先 (x) 后 (y)：(\frac{\partial^2 f}{\partial y \partial x})
从 (f_x = 2xy + 3y^2) 出发，对 (y) 求偏导：
[f_{xy} = \frac{\partial}{\partial y}(2xy + 3y^2)]- (2xy) 对 (y) 求导：(2x)
- (3y^2) 对 (y) 求导：(6y)

所以：[f_{xy} = 2x + 6y]

(2) 先 (y) 后 (x)：(\frac{\partial^2 f}{\partial x \partial y})
从 (f_y = x^2 + 6xy) 出发，对 (x) 求偏导：
[f_{yx} = \frac{\partial}{\partial x}(x^2 + 6xy)]- (x^2) 对 (x) 求导：(2x)
- (6xy) 对 (x) 求导：(6y)

所以：[f_{yx} = 2x + 6y]

你会发现：
[f_{xy} = f_{yx}]

这个现象不是巧合。在很多“正常”的函数上（连续、光滑、没有那种奇怪的尖角和裂缝），混合二阶偏导是相等的，这就是常说的：

“混合偏导可交换”
[\frac{\partial^2 f}{\partial x \partial y} = \frac{\partial^2 f}{\partial y \partial x}]

四、总结成一个“小抄公式”：二阶偏导怎么求的通用套路

如果你记性一般（我也一样），可以把下面几条当成“考前三分钟速记版”：

给定 (z = f(x, y))：

先求一阶偏导
[ f_x = \frac{\partial f}{\partial x}, \quad f_y = \frac{\partial f}{\partial y} ]
同方向二阶偏导
对 (x) 再来一次：
[ f_{xx} = \frac{\partial}{\partial x}\left( f_x \right) ]
对 (y) 再来一次：
[ f_{yy} = \frac{\partial}{\partial y}\left( f_y \right) ]
混合二阶偏导
先 (x) 再 (y)：
[ f_{xy} = \frac{\partial}{\partial y}\left( f_x \right) ]
先 (y) 再 (x)：
[ f_{yx} = \frac{\partial}{\partial x}\left( f_y \right) ]
在通常光滑情况下
[ f_{xy} = f_{yx} ]

一句话压缩版：

一阶偏导先算好，二阶偏导就是“对一阶偏导再偏导一次”。

五、再来一个稍微“凶一点”的例子，练熟手感

看这个：[f(x, y) = e^{xy} + x^3y^2]

1. 一阶偏导

对 (x)：
[f_x = \frac{\partial}{\partial x}(e^{xy}) + \frac{\partial}{\partial x}(x^3y^2)]- (e^{xy}) 对 (x) 求导：链式法则
[ \frac{\partial}{\partial x} e^{xy} = e^{xy} \cdot y ]
- (x^3y^2)：把 (y^2) 当常数
[ \frac{\partial}{\partial x}(x^3y^2) = 3x^2y^2 ]

所以：[f_x = ye^{xy} + 3x^2y^2]

对 (y)：
[f_y = \frac{\partial}{\partial y}(e^{xy}) + \frac{\partial}{\partial y}(x^3y^2)]- (e^{xy}) 对 (y) 求导：
[ \frac{\partial}{\partial y} e^{xy} = e^{xy} \cdot x ]
- (x^3y^2)：把 (x^3) 当常数
[ \frac{\partial}{\partial y}(x^3y^2) = 2x^3y ]

所以：[f_y = xe^{xy} + 2x^3y]

2. 二阶偏导

(1) (f_{xx})
从 (f_x = ye^{xy} + 3x^2y^2) 出发，对 (x) 求偏导：
[f_{xx} = \frac{\partial}{\partial x}(ye^{xy}) + \frac{\partial}{\partial x}(3x^2y^2)]- (ye^{xy})：(y) 当常数，对 (x) 求导
[ \frac{\partial}{\partial x}(ye^{xy}) = y \cdot e^{xy} \cdot y = y^2 e^{xy} ]
- (3x^2y^2)：
[ \frac{\partial}{\partial x}(3x^2y^2) = 6xy^2 ]

所以：[f_{xx} = y^2 e^{xy} + 6xy^2]

(2) (f_{yy})
从 (f_y = xe^{xy} + 2x^3y) 出发，对 (y) 求偏导：
[f_{yy} = \frac{\partial}{\partial y}(xe^{xy}) + \frac{\partial}{\partial y}(2x^3y)]- (xe^{xy})：(x) 当常数
[ \frac{\partial}{\partial y}(xe^{xy}) = x \cdot e^{xy} \cdot x = x^2 e^{xy} ]
- (2x^3y)：对 (y) 求导 = (2x^3)

所以：[f_{yy} = x^2 e^{xy} + 2x^3]

(3) 混合偏导 (f_{xy}) 和 (f_{yx})

从 (f_x = ye^{xy} + 3x^2y^2) 出发，对 (y)：
[f_{xy} = \frac{\partial}{\partial y}(ye^{xy}) + \frac{\partial}{\partial y}(3x^2y^2)]- (ye^{xy})：积的求导
[ \frac{\partial}{\partial y}(ye^{xy}) = 1 \cdot e^{xy} + y \cdot e^{xy} \cdot x = e^{xy} + xye^{xy} ]
- (3x^2y^2)：
[ \frac{\partial}{\partial y}(3x^2y^2) = 6x^2y ]

所以：[f_{xy} = e^{xy} + xye^{xy} + 6x^2y]

从 (f_y = xe^{xy} + 2x^3y) 出发，对 (x)：
[f_{yx} = \frac{\partial}{\partial x}(xe^{xy}) + \frac{\partial}{\partial x}(2x^3y)]- (xe^{xy})：积的求导
[ \frac{\partial}{\partial x}(xe^{xy}) = 1\cdot e^{xy} + x \cdot e^{xy} \cdot y = e^{xy} + xye^{xy} ]
- (2x^3y)：
[ \frac{\partial}{\partial x}(2x^3y) = 6x^2y ]

所以：[f_{yx} = e^{xy} + xye^{xy} + 6x^2y]

果然还是：
[f_{xy} = f_{yx}]

六、二阶偏导数有啥用？不是只为了考试

稍微说两句“现实意义”，不说总感觉这东西像纯折磨人。

看函数是“凸”还是“凹” :
一元函数用二阶导数看极值，多元函数一样用二阶偏导（配合 Hessian 矩阵），在优化、机器学习里到处都是。
地形、温度、位移的弯曲程度 :
在物理、工程里，二阶偏导经常和“曲率”“加速度”“应力”这类词绑在一起，描述“变化的变化”。

你现在在算题的时候觉得枯燥，将来可能在调一个损失函数、优化一个模型，背后全是这些家伙在暗中干活。