AI大模型与数学 第33课多元函数基础：二元函数一阶偏导数计算在大模型的作用（10道偏导基础计算题）

课程前言
前面课程全部是一元函数，仅单个自变量；但AI大模型拥有成千上万权重参数，损失函数是多元函数 L(w_1,w_2,w_3…)。
简单理解，我们遇到的事情，每个因素相当于一个元，这件事情的结果由两个因素决定就是二元。
我们实际遇到事情，决定事情的结果，往往是众多因素，所以多元函数才能模拟我们实际遇到的问题。

二元函数是多元的入门，设 z=f(x,y)：

一、基础计算规则（通俗解读）
求某一变量偏导时，其余自变量全部视作常数，常数项导数直接为0；
偏导数 = 单参数独立梯度，大模型每一个权重单独对应的梯度就是偏导数。

二、10道二元一阶偏导数计算题（解题步骤+AI场景解读）
题1
z=3x^2+2y，求 \\dfrac{\\partial z}{\\partial x},\\dfrac{\\partial z}{\\partial y}
解：
固定y，\\dfrac{\\partial z}{\\partial x}=6x
固定x，\\dfrac{\\partial z}{\\partial y}=2
AI解读：简单双层网络，x为主权重、y为偏置项；权重梯度随参数大小变化，偏置梯度恒定不变。

题2
z=x^3y，求两个一阶偏导
解：
\\dfrac{\\partial z}{\\partial x}=3x^2y
\\dfrac{\\partial z}{\\partial y}=x^3
AI解读：权重两两相乘的交互损失，两个参数梯度互相耦合，不能单独更新某一参数。

题3
z=x^2+4y2-2xy，求偏导数
解：
\\dfrac{\\partial z}{\\partial x}=2x-2y
\\dfrac{\\partial z}{\\partial y}=8y-2x
AI解读：二维均方损失拓展形式，两个参数互相约束，梯度下降同时修正两个权重。

题4
z=e^{x+y}，求一阶偏导
解：
\\dfrac{\\partial z}{\\partial x}=e^{x+y}
\\dfrac{\\partial z}{\\partial y}=e^{x+y}
AI解读：指数激活融合两个输入特征，两个维度梯度完全同步，多特征融合层基础运算。

题5
z=\\sin(x+2y)，求偏导
解：
\\dfrac{\\partial z}{\\partial x}=\\cos(x+2y)
\\dfrac{\\partial z}{\\partial y}=2\\cos(x+2y)
AI解读：RoPE二维位置编码，x、y分别代表行列位置，两个维度旋转变化速率不同。

题6
z=5x+\\dfrac{1}{y}，求偏导数
解：
\\dfrac{\\partial z}{\\partial x}=5
\\dfrac{\\partial z}{\\partial y}=-\\dfrac{1}{y^2}
AI解读：线性权重搭配反比例正则项，权重梯度固定，正则项梯度随参数缩小急剧放大。

题7
z=xy+e^x，求一阶偏导
解：
\\dfrac{\\partial z}{\\partial x}=y+e^x
\\dfrac{\\partial z}{\\partial y}=x
AI解读：特征交互项叠加指数激活，输入x同时影响两条梯度链路，深层网络前向传播典型结构。

题8
z=x\\cos y，求偏导数
解：
\\dfrac{\\partial z}{\\partial x}=\\cos y
\\dfrac{\\partial z}{\\partial y}=-x\\sin y
AI解读：时序周期特征加权损失，x为权重、y为位置角度，两个维度梯度逻辑完全分离。

题9
z=2x^3-y2+xy，求\\partial z/\\partial x、\\partial z/\\partial y
解：
\\dfrac{\\partial z}{\\partial x}=6x^2+y
\\dfrac{\\partial z}{\\partial y}=-2y+x
AI解读：高次权重+二次偏置+交叉耦合项，完整复刻浅层神经网络复合损失梯度计算。

题10 综合压轴
z=e^{2x}\\sin y，求解两个一阶偏导数
解：
\\dfrac{\\partial z}{\\partial x}=2e^{2x}\\sin y
\\dfrac{\\partial z}{\\partial y}=e^{2x}\\cos y
AI解读：指数特征映射+周期位置编码组合损失，Transformer注意力层二维梯度基础计算，是多元梯度的标准模板。

三、课程核心总结（衔接第34课多元复合链式偏导）
5. 偏导数核心逻辑：固定其余参数，只计算单个参数的变化率，对应模型单个权重梯度；
6. 所有大模型反向传播，本质就是批量求解海量偏导数；
7. 两个偏导数组合成梯度向量，指向损失上升最快的方向，优化器沿反方向更新参数；
8. 下一课学习多元复合函数链式求导，对应多层神经网络跨层梯度传递。

计算偏导数时，很容易忘记把其他变量当成常数，你有没有踩过这个坑？
多元梯度在大模型训练里起到什么核心作用？欢迎评论区交流！