多元函数的定义

多元函数的定义

小象实战讲义 · 人工智能数学基础

在人工智能领域，我们处理的输入数据往往是高维的，例如一张图片的像素矩阵、一个用户的特征向量或一个物理系统的状态参数。理解多元函数与映射，是将微积分工具从一维实数轴推广到高维空间的关键第一步。本节我们将正式定义多元函数与映射，理解其几何意义，并通过实例看到它们在AI与实际问题中的广泛存在性。

💡 核心导读

• 从一元到多元：理解函数的核心是“确定的规则”，而定义域从实数 $\mathbb{R}$ 扩展到 $\mathbb{R}^n$ 是自然的推广。
• 多元函数与映射：多元函数是 $\mathbb{R}^n \to \mathbb{R}$ 的映射，而多元映射是 $\mathbb{R}^n \to \mathbb{R}^m$ 的映射，后者可视为 $m$ 个多元函数的组合。
• 几何直观：学习如何可视化二元函数的图像（如曲面），并理解多元映射的“输入-输出”结构。
• 广泛的应用：从几何变换（旋转）到物理运动，再到数据拟合（如根据经纬度预测温度），多元函数是建模复杂关系的数学基础。
• 向量的视角：用向量表示输入和输出，使得多元函数的表述更加简洁，并为后续学习矩阵运算和线性变换铺平道路。

多元函数的基本概念

我们早已熟悉一元函数 $y = f(x)$，它将一个实数 $x$ 映射为另一个实数 $y$。在多元微积分中，我们将这个想法推广到多维空间。

定义（多元函数）：设 $D$ 是 $n$ 维欧几里得空间 $\mathbb{R}^n$ 中的一个点集。如果对于 $D$ 中的每一个点 $\mathbf{x} = (x_1, x_2, \dots, x_n)$，按照某种确定的规则 $f$，都有唯一的一个实数 $u$ 与之对应，则称 $f$ 是定义在 $D$ 上的一个 $n$ 元函数。记作： $$u = f(x_1, x_2, \dots, x_n) \quad \text{或} \quad u = f(\mathbf{x}), \quad \mathbf{x} \in D.$$ 其中：

• $D$ 称为函数的 定义域。
• $x_1, x_2, \dots, x_n$ 称为 自变量。
• $u$ 称为 因变量。
• 函数值的全体 ${u \mid u = f(\mathbf{x}), \mathbf{x} \in D}$ 称为函数的 值域。

函数的本质在于那个 确定的对应规则 $f$。无论输入来自一维还是 $n$ 维，只要规则是确定的（一个输入对应唯一输出），它就构成一个函数。

多元映射：从函数到更一般的对应

多元函数是输出为一个实数的特例。更一般地，输出可以是一个向量。

定义（多元映射）：设 $D \subset \mathbb{R}^n$。如果对于 $D$ 中的每一个点 $\mathbf{x} = (x_1, x_2, \dots, x_n)$，按照某种确定的规则 $\mathbf{F}$，在 $\mathbb{R}^m$ 中都有唯一的一个点 $\mathbf{y} = (y_1, y_2, \dots, y_m)$ 与之对应，则称 $\mathbf{F}$ 是一个从 $D$ 到 $\mathbb{R}^m$ 的 映射（或 多元映射）。记作： $$\mathbf{F}: D \to \mathbb{R}^m, \quad \mathbf{y} = \mathbf{F}(\mathbf{x}).$$ 由于输出 $\mathbf{y}$ 有 $m$ 个分量，每个分量 $y_j$ 都由输入 $\mathbf{x}$ 唯一确定，因此每个 $y_j$ 本身就是一个 $n$ 元函数： $$y_j = f_j(x_1, x_2, \dots, x_n), \quad j = 1, 2, \dots, m.$$ 所以，一个 $\mathbb{R}^n \to \mathbb{R}^m$ 的映射 $\mathbf{F}$，本质上就是由 $m$ 个 $\mathbb{R}^n \to \mathbb{R}$ 的多元函数“打包”而成： $$\mathbf{F}(\mathbf{x}) = (f_1(\mathbf{x}), f_2(\mathbf{x}), \dots, f_m(\mathbf{x})).$$ 我们称 $f_j$ 为映射 $\mathbf{F}$ 的 第 $j$ 个分量函数。

这种“一对多”的映射关系极大地扩展了函数的描述能力。输入和输出的维度可以自由组合，例如 $\mathbb{R}^3 \to \mathbb{R}^2$（输入3个数，输出2个数）或 $\mathbb{R} \to \mathbb{R}^2$（输入1个数，输出2个数）。

多元函数的图像与实例

理解多元函数（尤其是二元函数）的几何图像对于建立直观至关重要。

例1：二元函数及其图像 考虑函数 $z = f(x, y) = \sqrt{R^2 - x^2 - y^2}$，其中 $R > 0$ 为常数。

1. 定义域：由于根号内需非负，故 $x^2 + y^2 \leq R^2$。定义域 $D$ 是 $Oxy$ 平面上以原点为圆心、半径为 $R$ 的闭圆盘。
2. 函数图像：方程 $z = \sqrt{R^2 - x^2 - y^2}$ 可改写为 $x^2 + y^2 + z^2 = R^2$，且 $z \geq 0$。这正是三维空间中球心在原点、半径为 $R$ 的 上半球面。因此，这个二元函数的图像是一个三维空间中的曲面。

import numpy as np
import matplotlib.pyplot as plt

# 定义函数
def f(x, y, R=1):
    return np.sqrt(np.maximum(R**2 - x**2 - y**2, 0))  # 避免根号内出现微小负数

# 生成定义域网格
R = 1
x = np.linspace(-R, R, 50)
y = np.linspace(-R, R, 50)
X, Y = np.meshgrid(x, y)

# 计算函数值
Z = f(X, Y, R)

# 绘制三维图像
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')
surf = ax.plot_surface(X, Y, Z, cmap='viridis', alpha=0.8, linewidth=0)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
ax.set_title('二元函数图像：上半球面 <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>z</mi><mo>=</mo><msqrt><mrow><msup><mi>R</mi><mn>2</mn></msup><mo>−</mo><msup><mi>x</mi><mn>2</mn></msup><mo>−</mo><msup><mi>y</mi><mn>2</mn></msup></mrow></msqrt></mrow><annotation encoding="application/x-tex">z = \sqrt{R^2 - x^2 - y^2}</annotation></semantics></math></span><span class="katex-html" aria-hidden="true"><span class="katex-base"><span class="katex-strut" style="height:0.4306em;"></span><span class="mord mathnormal" style="margin-right:0.044em;">z</span><span class="mspace" style="margin-right:0.2778em;"></span><span class="mrel">=</span><span class="mspace" style="margin-right:0.2778em;"></span></span><span class="katex-base"><span class="katex-strut" style="height:1.24em;vertical-align:-0.2822em;"></span><span class="mord sqrt"><span class="vlist-t vlist-t2"><span class="vlist-r"><span class="vlist" style="height:0.9578em;"><span class="svg-align" style="top:-3.2em;"><span class="pstrut" style="height:3.2em;"></span><span class="mord" style="padding-left:1em;"><span class="mord"><span class="mord mathnormal" style="margin-right:0.0077em;">R</span><span class="msupsub"><span class="vlist-t"><span class="vlist-r"><span class="vlist" style="height:0.7401em;"><span style="top:-2.989em;margin-right:0.05em;"><span class="pstrut" style="height:2.7em;"></span><span class="katex-sizing reset-size6 size3 mtight"><span class="mord mtight">2</span></span></span></span></span></span></span></span><span class="mspace" style="margin-right:0.2222em;"></span><span class="mbin">−</span><span class="mspace" style="margin-right:0.2222em;"></span><span class="mord"><span class="mord mathnormal">x</span><span class="msupsub"><span class="vlist-t"><span class="vlist-r"><span class="vlist" style="height:0.7401em;"><span style="top:-2.989em;margin-right:0.05em;"><span class="pstrut" style="height:2.7em;"></span><span class="katex-sizing reset-size6 size3 mtight"><span class="mord mtight">2</span></span></span></span></span></span></span></span><span class="mspace" style="margin-right:0.2222em;"></span><span class="mbin">−</span><span class="mspace" style="margin-right:0.2222em;"></span><span class="mord"><span class="mord mathnormal" style="margin-right:0.0359em;">y</span><span class="msupsub"><span class="vlist-t"><span class="vlist-r"><span class="vlist" style="height:0.7401em;"><span style="top:-2.989em;margin-right:0.05em;"><span class="pstrut" style="height:2.7em;"></span><span class="katex-sizing reset-size6 size3 mtight"><span class="mord mtight">2</span></span></span></span></span></span></span></span></span></span><span style="top:-2.9178em;"><span class="pstrut" style="height:3.2em;"></span><span class="hide-tail" style="min-width:1.02em;height:1.28em;"><svg xmlns="http://www.w3.org/2000/svg" width="400em" height="1.28em" viewBox="0 0 400000 1296" preserveAspectRatio="xMinYMin slice"><path d="M263,681c0.7,0,18,39.7,52,119
c34,79.3,68.167,158.7,102.5,238c34.3,79.3,51.8,119.3,52.5,120
c340,-704.7,510.7,-1060.3,512,-1067
l0 -0
c4.7,-7.3,11,-11,19,-11
H40000v40H1012.3
s-271.3,567,-271.3,567c-38.7,80.7,-84,175,-136,283c-52,108,-89.167,185.3,-111.5,232
c-22.3,46.7,-33.8,70.3,-34.5,71c-4.7,4.7,-12.3,7,-23,7s-12,-1,-12,-1
s-109,-253,-109,-253c-72.7,-168,-109.3,-252,-110,-252c-10.7,8,-22,16.7,-34,26
c-22,17.3,-33.3,26,-34,26s-26,-26,-26,-26s76,-59,76,-59s76,-60,76,-60z
M1001 80h400000v40h-400000z"/></svg></span></span></span><span class="vlist-s">​</span></span><span class="vlist-r"><span class="vlist" style="height:0.2822em;"><span></span></span></span></span></span></span></span></span>')
plt.show()

例2：平面旋转变换（一个 $\mathbb{R}^2 \to \mathbb{R}^2$ 的映射） 设 $\alpha$ 是一个固定角度。映射 $\mathbf{F}: \mathbb{R}^2 \to \mathbb{R}^2$ 定义为： $$\begin{cases} u = x \cos \alpha - y \sin \alpha, \ v = x \sin \alpha + y \cos \alpha. \end{cases}$$ 用向量和矩阵可以简洁地表示为： $$\begin{bmatrix} u \ v \end{bmatrix} = \begin{bmatrix} \cos \alpha & -\sin \alpha \ \sin \alpha & \cos \alpha \end{bmatrix} \begin{bmatrix} x \ y \end{bmatrix}.$$ 这个映射的几何意义是：将平面上的点 $(x, y)$（或从原点指向该点的向量）绕原点 逆时针旋转 $\alpha$ 角度，得到新点 $(u, v)$。这是一个没有拉伸和平移的纯旋转变换，在计算机视觉和图形学中是基础操作。

例3：基于经纬度的温度函数 设 $L_1$ 表示经度，$L_2$ 表示纬度。存在一个复杂的函数 $T = f(L_1, L_2)$，其输出 $T$ 是该地理位置的平均年温度。我们可能没有 $f$ 的解析表达式，但可以通过全球气象站收集到的数据点 ${(L_1^{(i)}, L_2^{(i)}; T^{(i)})}$ 来近似拟合这个函数。这正是机器学习中 回归问题 的典型场景：从数据中学习一个多元函数。

例4：质点的平面运动轨迹（一个 $\mathbb{R} \to \mathbb{R}^2$ 的映射） 描述一个质点在平面上的运动，其位置 $\mathbf{s}$ 是时间 $t$ 的函数。因为位置需要横纵坐标两个值来确定，所以这是一个从时间（一维）到平面位置（二维）的映射： $$\mathbf{s}: \mathbb{R} \to \mathbb{R}^2, \quad \mathbf{s}(t) = (x(t), y(t)).$$ 其中 $x(t)$ 和 $y(t)$ 都是关于时间 $t$ 的一元函数，分别描述质点在 $x$ 轴和 $y$ 轴方向上的运动规律。

📝 动手练一练

1. 确定定义域：求二元函数 $z = \ln(x - y^2) + \sqrt{4 - x^2 - y^2}$ 的定义域 $D$，并在平面上简要描述其形状。

2. 理解映射：已知一个映射 $\mathbf{F}: \mathbb{R}^2 \to \mathbb{R}^3$ 定义为 $\mathbf{F}(x, y) = (xy, x+y, x^2)$。

   • 写出它的三个分量函数 $f_1, f_2, f_3$。
   • 计算 $\mathbf{F}(1, -2)$ 的值。

参考答案：

1. 定义域 $D$ 需同时满足两个条件：
   • $\ln$ 要求 $x - y^2 > 0$，即 $x > y^2$（抛物线右侧区域）。
   • $\sqrt{}$ 要求 $4 - x^2 - y^2 \geq 0$，即 $x^2 + y^2 \leq 4$（半径为2的闭圆盘）。 $D$ 是这两个区域的交集，即圆盘内且在抛物线 $x = y^2$ 右侧的部分。
2. • 分量函数：$f_1(x, y) = xy$， $f_2(x, y) = x+y$， $f_3(x, y) = x^2$。
   • $\mathbf{F}(1, -2) = (1 \times (-2), 1 + (-2), 1^2) = (-2, -1, 1)$。

本章小结

本节我们建立了多元函数与映射的基本框架，这是将微积分工具应用于高维空间的基石。

要点回顾：

• 多元函数 $f: D \subset \mathbb{R}^n \to \mathbb{R}$ 是核心概念，其本质是定义域 $D$ 中每一点到实数的 确定规则。
• 多元映射 $\mathbf{F}: D \subset \mathbb{R}^n \to \mathbb{R}^m$ 是更一般的概念，可视为 $m$ 个多元函数的有序组合。输入和输出的维度可以任意（$n$ 和 $m$ 为任意正整数）。
• 几何直观：二元函数 $z=f(x,y)$ 的图像是三维空间中的曲面。映射可以表示几何变换（如旋转）、物理运动（轨迹）等。
• 应用广泛：从明确的解析式（如上半球面方程）到隐式的数据关系（如经纬度-温度），多元函数是描述现实世界复杂依赖关系的数学模型。

行动清单：

1. 可视化练习：尝试用 Python 的 matplotlib 库绘制几个简单的二元函数曲面（如 $z = x^2 + y^2$, $z = \sin(x)\cos(y)$），强化空间想象能力。
2. 定义域分析：遇到一个新的多元函数，养成首先分析并确定其定义域的习惯，这是保证函数有意义的前提。
3. 分解映射：遇到一个 $\mathbb{R}^n \to \mathbb{R}^m$ 的映射，立刻尝试将其分解为 $m$ 个分量函数来理解，这能化繁为简。

— 小象教研组