企业官网建设流程全解析

系列：《从小白到 AI 大模型开发工程师的进阶之路》 技术点：AI-0216 导数与偏导数 主人公：小蓝伞 前置：AI-0211 标量、向量和张量 本期产出：独立实验脚本、原始输出、失败样本和验收清单

小蓝伞在教学演练中校验指数函数的导数，将步长从千分之一缩到万亿分之一，结果却离解析值更远。本文用可复跑的数据解释这条反直觉曲线。 本期按准备环境、运行完整脚本、读取结果和复验失败的顺序完成实践。偏导固定其他坐标，只观察一个坐标的局部变化；梯度把所有偏导组织成向量；单位方向导数是梯度与单位方向向量的内积。有限差分只是对这些量的数值近似，步长越小并不总是越准。 输入均为教学合成数据，不是生产经历。

一、小蓝伞遇到的问题

导数回答的是在某个点附近，输入的微小变化怎样影响输出。指数函数在一处的解析导数就是该处指数值；这为差分实验提供独立参考。二元函数的偏导还要求固定另一个坐标，否则变化沿着另一条路径发生，算出来的量已经不是原偏导。讨论函数值、导数值和误差时要分开单位：函数值可能是金额，导数可能是金额相对于某个输入单位的变化，不能把它们放进同一列直接比较。

二、先给结论

偏导固定其他坐标，只观察一个坐标的局部变化；梯度把所有偏导组织成向量；单位方向导数是梯度与单位方向向量的内积。有限差分只是对这些量的数值近似，步长越小并不总是越准。

• 推荐：先用解析可解的函数检查实现，再扫描数个数量级步长；选择误差稳定区间，保留大步长和极小步长作为反例。

• 不推荐：省略输入语义和指标口径，仅凭单次输出扩大结论。

• 成功判据：零步长必须抛出ValueError；方向导数接近3.8；中心差分误差曲线应呈现中间较小、两端较大的趋势。

三、任务与数据契约

四、前置准备

在新目录保存工作目录中的实验.py为main.py，再执行：

python -m venv .venv .\.venv\Scripts\python.exe -m pip install numpy==2.3.5 .\.venv\Scripts\python.exe main.py

本次实际执行使用 Windows 11、Python 3.13.9；代码只生成合成输入，不依赖账号、令牌或隐藏文件。

五、核心原理

• 偏导：固定其他输入，对某一个坐标求导。

• 梯度：标量输出对各输入偏导组成的向量。

• 单位方向导数：梯度沿单位方向的投影。

• 截断误差：有限步长近似留下的数学误差。

• 舍入误差：浮点表示和运算带来的数值误差。

中心差分的两个误差来源

中心差分用左右两个函数值的差除以两倍步长。步长较大时，这条割线不能准确代表该点切线，产生截断误差；步长极小时，两个浮点函数值非常接近，相减消去有效数字，再被小分母放大。两种机制作用相反，所以误差往往先降后升。选择步长需要结合函数尺度和浮点精度，没有一个适用于所有变量的固定常数。

方向必须先单位化

本例二元函数在指定点的梯度为一和四，方向三和四的长度为五，单位方向为零点六和零点八，内积得到三点八。如果直接乘未归一化向量，就得到按更大步幅缩放的变化量。方向导数的常用定义比较单位移动，因此必须说明方向是否单位化；梯度方向给出局部上升最快的方向，不意味着沿它走任意距离都能保持上升。

把差分用作梯度检查

数值差分适合对小函数、少量参数和实现改动做独立校验。先固定参数状态，逐坐标扰动，保持随机分支和数据不变；再比较解析梯度与数值近似。相对误差分母不能在接近零时失效，应同时查看绝对误差。遇到不可微点，不同单侧差分可能不同，需要回到函数定义；不能用放宽容差掩盖真正的分支错误。

六、完整项目

完整脚本位于_work/第62期-导数与偏导数/实验.py。它包含正常、边界和失败断言；复制到main.py后可独立运行。

import numpy as np def f(x): """用非线性函数展示截断误差与相减消去。""" return np.exp(x) def central(x, h): """计算中心差分；零步长明确拒绝。""" if h <= 0: raise ValueError("步长必须为正") return (f(x+h)-f(x-h))/(2*h) for h in (1e-1,1e-3,1e-5,1e-8,1e-12,1e-15): value=central(1.,h) print(f"h={h:.0e} derivative={value:.10f} abs_error={abs(value-np.e):.3e}") gradient=np.array([1.,4.]) direction=np.array([3.,4.])/5 print("gradient",gradient.tolist(),"unit_direction",direction.tolist(),"directional",float(gradient@direction)) assert np.isclose(gradient@direction,3.8) try: central(1.,0.) except ValueError as exc: print("拒绝零步长",exc) ​

实现与结果的进一步核验

逐步重建这次误差曲线

第一步固定被求导函数和求值点，不混入随机噪声或外部文件；第二步把解析值单独计算，不从差分结果推参考；第三步遍历步长数量级，每一行同时保留近似值和绝对误差；第四步比较误差趋势。指数函数没有小数步长处的分支变化，因此这次曲线主要展示数值近似误差。若换成有截断或阈值的目标，左右采样可能落到不同分支，解释必须同时改变。

偏导的完整手算

对输入一平方、三倍两输入乘积和输入二平方求导，第一偏导是两倍输入一加三倍输入二，第二偏导是三倍输入一加两倍输入二。在二和负一处得到一和四。把第二输入也随第一输入改变，算出的不再是固定其他坐标的偏导，而是沿某条参数化路径的导数；这正是下一期链式法则要处理的依赖关系。

坐标尺度改变步长意义

相同步长对金额一百万和比例零点零一不是相同扰动程度。实际梯度校验可用基于坐标规模的步长策略，并报告绝对和相对变化。对于接近零梯度，单独相对误差会因分母很小而夸大差异；先检查绝对误差，再判定是否需要更合适的步长或精度。不要把本例十万分之一当成所有参数的最佳设置。

数值校验的成本与适用性

每个中心差分坐标要两次前向，高维参数数量巨大时全量检查昂贵。可以先用小模型和少量固定坐标，再抽取方向检查；抽样没有覆盖全部参数，报告必须写明范围。随机层或数据增强应固定状态，否则函数本身在两次前向不同，差分混入随机变化。这个限制比无条件加大容差更值得优先排查。

如何解释梯度方向

梯度与单位方向的内积决定一阶局部变化。单位方向垂直梯度时内积为零，不代表沿该方向有限移动后函数值永远不变；二阶及更高阶项仍可能存在。梯度为零也不直接说明最小值，后续优化会用极大值和鞍点补充这一边界。读者可以用这个区别避免将局部线性化推广到任意大步长。

七、可复现失败案例

零步长被明确拒绝；极小正步长虽可运行，但误差变大，属于结果质量失败。 这是构造的教学失败，不是线上事故。复现顺序是保存输入、运行脚本、记录输出、只改一个条件后重跑。修复后必须同时检查正常样本，不能用默认值掩盖错误。

八、实验设计与实际结果

零步长必须抛出ValueError；方向导数接近3.8；中心差分误差曲线应呈现中间较小、两端较大的趋势。 本次已经执行，退出状态为0；完整输出见工作目录。控制变量、样本量和参数写在脚本中。

h=1e-01 derivative=2.7228145639 abs_error=4.533e-03 h=1e-03 derivative=2.7182822815 abs_error=4.530e-07 h=1e-05 derivative=2.7182818285 abs_error=5.859e-11 h=1e-08 derivative=2.7182818219 abs_error=6.603e-09 h=1e-12 derivative=2.7184920981 abs_error=2.103e-04 h=1e-15 derivative=2.8865798640 abs_error=1.683e-01 gradient [1.0, 4.0] unit_direction [0.6, 0.8] directional 3.8000000000000003 拒绝零步长 步长必须为正

数字怎样对应本期机制

固定指数函数、输入一点、双精度和同一个解释器，步长十分之一时误差约零点零零四五三三；十万分之一降到约五点八六乘十的负十一次方；一千万亿分之一又升到约零点一六八三。只展示中间最好的一行会隐藏失效范围。读者应先比较同一实验中不同步长的趋势，再检查绝对误差是否符合自己的验收预算，而不是记住这个机器的最佳步长。

九、常见问题与排查顺序

先检查对象定义，再检查输入、形状、分母、索引或时间点，最后检查实现与环境。本次只跑双精度光滑函数和两个方向量，不覆盖低精度、噪声目标、边界截断和高维训练。有限差分每次需要额外前向，参数多时成本随坐标数量增长。自动微分能改变计算方式，但仍要求计算图和目标定义正确。下一期链式法则会建立局部导数的组合规则，本期保存的差分方法则成为独立检查工具。 不要把一次成功当成稳定性证明，也不要把技术指标直接换成业务价值。

十、系统与依赖差异

本次只在记录的 Windows 和库版本运行。浮点末位、计时、字体、编码和表格默认行为可能跨环境变化；未执行部分保持待核验。

十一、验证清单

• 执行脚本，核对退出状态与本篇实际输出。

• 重跑本篇正常、边界和失败样本，检查数值或拒绝结果。

• 更换数据时重新检查对象、分母和评价条件。

• 验收判据：零步长必须抛出ValueError；方向导数接近3.8；中心差分误差曲线应呈现中间较小、两端较大的趋势。

十二、面试题与追问

1. 偏导在本期是什么？

   答：固定其他输入，对某一个坐标求导。 导数回答的是在某个点附近，输入的微小变化怎样影响输出。指数函数在一处的解析导数就是该处指数值；这为差分实验提供独立参考。二元函数的偏导还要求固定另一个坐标，否则变化沿着另一条路径发生，算出来的量已经不是原偏导。讨论函数值、导数值和误差时要分开单位：函数值可能是金额，导数可能是金额相对于某个输入单位的变化，不能把它们放进同一列直接比较。

   追问：改变这个条件后，哪一个输出或失败判据应该变化？

2. 梯度在本期是什么？

   答：标量输出对各输入偏导组成的向量。 中心差分用左右两个函数值的差除以两倍步长。步长较大时，这条割线不能准确代表该点切线，产生截断误差；步长极小时，两个浮点函数值非常接近，相减消去有效数字，再被小分母放大。两种机制作用相反，所以误差往往先降后升。选择步长需要结合函数尺度和浮点精度，没有一个适用于所有变量的固定常数。

   追问：改变这个条件后，哪一个输出或失败判据应该变化？

3. 单位方向导数在本期是什么？

   答：梯度沿单位方向的投影。 固定指数函数、输入一点、双精度和同一个解释器，步长十分之一时误差约零点零零四五三三；十万分之一降到约五点八六乘十的负十一次方；一千万亿分之一又升到约零点一六八三。只展示中间最好的一行会隐藏失效范围。读者应先比较同一实验中不同步长的趋势，再检查绝对误差是否符合自己的验收预算，而不是记住这个机器的最佳步长。

   追问：改变这个条件后，哪一个输出或失败判据应该变化？

4. 截断误差在本期是什么？

   答：有限步长近似留下的数学误差。 本例二元函数在指定点的梯度为一和四，方向三和四的长度为五，单位方向为零点六和零点八，内积得到三点八。如果直接乘未归一化向量，就得到按更大步幅缩放的变化量。方向导数的常用定义比较单位移动，因此必须说明方向是否单位化；梯度方向给出局部上升最快的方向，不意味着沿它走任意距离都能保持上升。

   追问：改变这个条件后，哪一个输出或失败判据应该变化？

5. 舍入误差在本期是什么？

   答：浮点表示和运算带来的数值误差。 数值差分适合对小函数、少量参数和实现改动做独立校验。先固定参数状态，逐坐标扰动，保持随机分支和数据不变；再比较解析梯度与数值近似。相对误差分母不能在接近零时失效，应同时查看绝对误差。遇到不可微点，不同单侧差分可能不同，需要回到函数定义；不能用放宽容差掩盖真正的分支错误。

   追问：改变这个条件后，哪一个输出或失败判据应该变化？

十三、工程判断与下一期

先用解析可解的函数检查实现，再扫描数个数量级步长；选择误差稳定区间，保留大步长和极小步长作为反例。 下一期为AI-0217 链式法则。本期保留的契约和反例会继续使用。

从本地证据到实际决策

用有限差分校验多变量目标的步骤

先把目标封装成纯函数，输入同一向量时返回同一标量。复制输入分别加减步长，不在原始参数上直接写入；逐坐标检查后，再选择一个固定单位方向验证梯度内积。每次记录坐标编号、步长、解析值、数值值和绝对差，若只汇总最大误差，应保留它对应哪个坐标。错误定位需要这个索引，而不是只留一个通过布尔值。

为什么函数状态会破坏差分

如果前向包含随机抽样、缓存写入或自动更新参数，左右扰动可能已经不是同一个函数。先冻结随机状态和参数，或把这些机制从最小样本中移除。若目标来自模拟且本身带噪声，需要讨论差分估计方差和重复平均，不能套本篇确定性指数函数的容差。代码可运行不证明对照实验条件稳定。

错误输入与低质量结果两种处理

零步长会除零，函数主动拒绝；极小正步长没有违反正值范围，却可能产生不可接受误差。后者需要结果质量阈值而不是简单类型校验。实际接口可分别输出参数错误、数值不稳定和正常估计，让调用方选择调整步长或切换方法。不要把三种情况都返回零，否则真实零导数与失败无从区分。

梯度的坐标依赖

改变输入单位会改变梯度数值，因为导数包含单位比值。两个字段梯度大小不同不自动代表业务重要性，也不能不经缩放就比较所谓敏感度。若对输入标准化，应说明梯度是对原坐标还是变换坐标计算，必要时用链式法则转换。这个问题与前期矩阵尺度一脉相承，解释数字首先要解释坐标。

读者可以追加的独立实验

把指数换为平方函数，中心差分在理想代数中能消去部分截断项，所以误差曲线会不同；把求值点移动，函数尺度也变化。建议同时保留原指数样本，确认实现没有退化，再研究新函数。本文没有为这些扩展提供伪造输出，读者应将实际结果记录为自己的新实验。

官方资料

• Calculus III - Directional Derivatives：用于核对本期技术机制或接口，查阅日期为2026-10-13。

适用边界

只覆盖脚本中的合成数据、明确假设和已记录版本。真实业务需追加授权、监控、资源预算、回滚和领域验证。