多元函数的泰勒公式

小象实战讲义 · 人工智能数学基础

在上一节，我们学习了多元函数的微分与梯度，它们描述了函数在一点附近的局部线性近似。然而，许多复杂的非线性现象仅用线性模型难以精确刻画。本节我们将学习多元函数的泰勒公式，它提供了一种用多项式（包含线性项、二次项乃至更高次项）来逼近任意光滑函数的强大工具。掌握泰勒公式，是理解后续最优化算法（如梯度下降法的收敛性分析）和机器学习模型（如损失函数的局部近似）中数学原理的关键一步。

💡 核心导读

本节我们将从一元泰勒公式出发，系统性地构建多元泰勒公式的知识体系：

1. 起点回顾：重温一元泰勒公式的几何意义与拉格朗日中值定理，为多元推广奠定思想基础。
2. 定理推广：将拉格朗日中值定理从一元推广到二元乃至n元，并引入关键工具——全微分算子。
3. 公式构建：利用全微分算子，优雅地写出二元及n元函数的泰勒公式，理解其拉格朗日余项与佩亚诺余项两种形式。
4. 核心应用：重点掌握二阶泰勒展开，明确其一次项对应梯度，二次项对应海塞矩阵，这是最优化理论的基石。
5. 实用技巧：学习利用泰勒展开的唯一性定理简化复杂函数的展开过程，避免繁琐的偏导数计算。

从拉格朗日中值定理到泰勒公式

我们首先回顾一元微积分中的拉格朗日中值定理：若函数 $f(x)$ 在闭区间 $[a, b]$ 上连续，在开区间 $(a, b)$ 内可导，则至少存在一点 $\xi \in (a, b)$，使得 $$f(b) - f(a) = f'(\xi)(b - a).$$ 其几何意义是：连接函数图像上两点 $(a, f(a))$ 和 $(b, f(b))$ 的割线，其斜率等于在该区间内某点 $\xi$ 处的切线斜率。

对于多元函数，我们有类似的结论。以二元函数 $z = f(x, y)$ 为例：

定理（二元函数中值定理）：若函数 $f(x, y)$ 在区域 $D$ 内具有连续的偏导数，$P_0(x_0, y_0)$ 和 $P_1(x_0+\Delta x, y_0+\Delta y)$ 是 $D$ 内的两点，且连接这两点的直线段 $L \subset D$，则至少存在一点 $(\xi, \eta) = (x_0 + \theta \Delta x, y_0 + \theta \Delta y)$，其中 $\theta \in (0, 1)$，使得 $$f(x_0+\Delta x, y_0+\Delta y) - f(x_0, y_0) = \frac{\partial f}{\partial x}(\xi, \eta) \Delta x + \frac{\partial f}{\partial y}(\xi, \eta) \Delta y.$$

这个定理可以看作是“割平面”与“切平面”之间的关系在一段直线路径上的体现。它本质上是将一元中值定理应用于辅助函数 $\phi(t) = f(x_0 + t\Delta x, y_0 + t\Delta y)$ 在 $[0, 1]$ 上的结果。

若引入全微分算子符号，记 $\mathbf{h} = (\Delta x, \Delta y)^T$，则上式右端恰好是函数 $f$ 在点 $(\xi, \eta)$ 处的一阶全微分 $df(\xi, \eta; \mathbf{h})$。因此，定理可以简洁地写为： $$f(\mathbf{x}_0 + \mathbf{h}) - f(\mathbf{x}_0) = df(\xi; \mathbf{h}), \quad \xi = \mathbf{x}_0 + \theta \mathbf{h}.$$ 这为我们从一阶近似（中值定理）向高阶近似（泰勒公式）推广提供了自然的线索。

二元函数的泰勒公式

泰勒公式的核心思想是：用一个关于自变量增量的多项式来逼近函数值的增量。对于二元函数 $f(x, y)$，在点 $(x_0, y_0)$ 附近，我们希望用 $(\Delta x, \Delta y)$ 的多项式来逼近 $f(x_0+\Delta x, y_0+\Delta y)$。

定理（带拉格朗日余项的泰勒公式）：若函数 $f(x, y)$ 在点 $(x_0, y_0)$ 的某邻域内具有 $n+1$ 阶连续偏导数，记 $\mathbf{h} = (\Delta x, \Delta y)^T$，则对该邻域内的任意点 $(x_0+\Delta x, y_0+\Delta y)$，存在 $\theta \in (0, 1)$，使得 $$\begin{aligned} f(x_0+\Delta x, y_0+\Delta y) = & f(x_0, y_0) \\ & + \sum_{k=1}^{n} \frac{1}{k!} \left( \Delta x \frac{\partial}{\partial x} + \Delta y \frac{\partial}{\partial y} \right)^k f(x_0, y_0) \\ & + \frac{1}{(n+1)!} \left( \Delta x \frac{\partial}{\partial x} + \Delta y \frac{\partial}{\partial y} \right)^{n+1} f(x_0+\theta\Delta x, y_0+\theta\Delta y). \end{aligned}$$ 其中，算子 $\left( \Delta x \frac{\partial}{\partial x} + \Delta y \frac{\partial}{\partial y} \right)^k$ 的运算规则是：先将其视为一个符号进行二项式展开，再将展开后的每一项作用到函数 $f$ 上。例如，当 $k=2$ 时： $$\left( \Delta x \frac{\partial}{\partial x} + \Delta y \frac{\partial}{\partial y} \right)^2 f = \Delta x^2 \frac{\partial^2 f}{\partial x^2} + 2\Delta x \Delta y \frac{\partial^2 f}{\partial x \partial y} + \Delta y^2 \frac{\partial^2 f}{\partial y^2}.$$ 由于函数具有 $n+1$ 阶连续偏导，混合偏导数的求导顺序可以交换。

公式的最后一项 $\frac{1}{(n+1)!} \left( \Delta x \frac{\partial}{\partial x} + \Delta y \frac{\partial}{\partial y} \right)^{n+1} f(x_0+\theta\Delta x, y_0+\theta\Delta y)$ 称为拉格朗日余项，它精确地给出了多项式逼近的误差。

在实际应用中，我们更常用的是佩亚诺余项形式，它更简洁地描述了当自变量增量趋于零时余项的阶。

定理（带佩亚诺余项的泰勒公式）：若函数 $f(x, y)$ 在点 $(x_0, y_0)$ 处具有 $n$ 阶连续偏导数，则 $$f(x_0+\Delta x, y_0+\Delta y) = \sum_{k=0}^{n} \frac{1}{k!} \left( \Delta x \frac{\partial}{\partial x} + \Delta y \frac{\partial}{\partial y} \right)^k f(x_0, y_0) + o(\rho^n),$$ 其中 $\rho = \sqrt{(\Delta x)^2 + (\Delta y)^2}$ 是点 $(x_0, y_0)$ 到 $(x_0+\Delta x, y_0+\Delta y)$ 的距离，$o(\rho^n)$ 表示当 $\rho \to 0$ 时，它是比 $\rho^n$ 更高阶的无穷小量。

这个形式告诉我们，在点 $(x_0, y_0)$ 的极小邻域内，函数可以用一个 $n$ 次多项式来近似，误差是 $\rho^n$ 的高阶无穷小。

泰勒公式的矩阵形式与核心：二阶展开

泰勒公式在多元函数微积分中最重要的应用是其二阶展开形式。让我们明确写出当 $n=2$ 时的泰勒公式（佩亚诺余项）。

设函数 $f(\mathbf{x})$ 在点 $\mathbf{x}_0$ 处具有二阶连续偏导数，其中 $\mathbf{x} = (x_1, x_2, ..., x_m)^T$。记增量 $\mathbf{h} = (h_1, h_2, ..., h_m)^T$，则 $$f(\mathbf{x}_0 + \mathbf{h}) = f(\mathbf{x}_0) + \nabla f(\mathbf{x}_0)^T \mathbf{h} + \frac{1}{2} \mathbf{h}^T \mathbf{H}(\mathbf{x}_0) \mathbf{h} + o(\|\mathbf{h}\|^2).$$

这里：

• $\nabla f(\mathbf{x}_0) = \left( \frac{\partial f}{\partial x_1}, \frac{\partial f}{\partial x_2}, ..., \frac{\partial f}{\partial x_m} \right)^T_{\mathbf{x}=\mathbf{x}_0}$ 是函数在 $\mathbf{x}_0$ 处的梯度向量（列向量）。
• $\mathbf{H}(\mathbf{x}_0)$ 是函数在 $\mathbf{x}_0$ 处的海塞矩阵，它是一个 $m \times m$ 的对称矩阵，其第 $i$ 行第 $j$ 列元素为 $\frac{\partial^2 f}{\partial x_i \partial x_j}(\mathbf{x}_0)$。
• $\|\mathbf{h}\| = \sqrt{h_1^2 + h_2^2 + ... + h_m^2}$ 是向量 $\mathbf{h}$ 的欧几里得范数。

这个二阶泰勒展开是理解最优化算法的核心：

1. 一次项 $\nabla f(\mathbf{x}_0)^T \mathbf{h}$：描述了函数在 $\mathbf{x}_0$ 处沿方向 $\mathbf{h}$ 的最速上升（或下降）趋势。梯度下降法的方向正是基于此项。
2. 二次项 $\frac{1}{2} \mathbf{h}^T \mathbf{H} \mathbf{h}$：描述了函数在 $\mathbf{x}_0$ 附近的曲率信息。牛顿法等二阶优化算法会利用此项来构造更优的搜索方向和步长。

import numpy as np
import sympy as sp

# 示例：计算二元函数在(1,1)处的二阶泰勒展开（佩亚诺余项）
x, y = sp.symbols('x y')
f_expr = sp.sin(sp.pi * x / 2) * sp.sin(sp.pi * y / 2)  # f(x,y) = sin(πx/2)sin(πy/2)
x0, y0 = 1, 1

# 计算各阶偏导数在(1,1)处的值
f_val = f_expr.subs({x: x0, y: y0})

# 一阶偏导
f_x = sp.diff(f_expr, x)
f_y = sp.diff(f_expr, y)
f_x_val = f_x.subs({x: x0, y: y0})
f_y_val = f_y.subs({x: x0, y: y0})

# 二阶偏导
f_xx = sp.diff(f_x, x)
f_xy = sp.diff(f_x, y)
f_yy = sp.diff(f_y, y)
f_xx_val = f_xx.subs({x: x0, y: y0})
f_xy_val = f_xy.subs({x: x0, y: y0})
f_yy_val = f_yy.subs({x: x0, y: y0})

print("函数在 (1,1) 处的值: f(1,1) =", f_val)
print("\n一阶偏导数在 (1,1) 处的值:")
print("∂f/∂x =", f_x_val)
print("∂f/∂y =", f_y_val)
print("\n二阶偏导数在 (1,1) 处的值:")
print("∂²f/∂x² =", f_xx_val)
print("∂²f/∂x∂y =", f_xy_val)
print("∂²f/∂y² =", f_yy_val)

# 构建二阶泰勒多项式 T2(Δx, Δy)
Δx, Δy = sp.symbols('Δx Δy')
T2 = (f_val +
      f_x_val * Δx + f_y_val * Δy +
      (1/2) * (f_xx_val * Δx**2 + 2*f_xy_val * Δx*Δy + f_yy_val * Δy**2))
print(f"\n在点(1,1)处的二阶泰勒多项式（佩亚诺余项）为：")
print(f"T2(Δx, Δy) = {sp.simplify(T2)}")
print("其中 Δx = x-1, Δy = y-1，余项为 o(ρ²)，ρ = sqrt(Δx² + Δy²)。")

# 数值验证：在(1.1, 0.9)点比较原函数与泰勒近似的值
test_x, test_y = 1.1, 0.9
Δx_val, Δy_val = test_x - x0, test_y - y0
ρ = np.sqrt(Δx_val**2 + Δy_val**2)

f_true = float(f_expr.subs({x: test_x, y: test_y}))
T2_approx = float(T2.subs({Δx: Δx_val, Δy: Δy_val}))
error = f_true - T2_approx

print(f"\n数值验证：")
print(f"在点 ({test_x}, {test_y}) 处：")
print(f"  原函数值 f = {f_true:.6f}")
print(f"  二阶泰勒近似值 T2 = {T2_approx:.6f}")
print(f"  绝对误差 |f - T2| = {abs(error):.6e}")
print(f"  距离 ρ = {ρ:.4f}，误差与 ρ² ({ρ**2:.4f}) 的比值： {abs(error)/ρ**2:.6e}")
# 可以看到误差远小于 ρ²，符合 o(ρ²) 的阶

泰勒展开的唯一性定理及其应用

计算高阶泰勒展开时，直接求高阶偏导数可能非常繁琐。泰勒展开的唯一性定理为我们提供了简化计算的强大工具。

定理（泰勒展开的唯一性）：设函数 $f(\mathbf{x})$ 在点 $\mathbf{x}_0$ 的某邻域内有定义，且能表示为 $$f(\mathbf{x}_0 + \mathbf{h}) = P_n(\mathbf{h}) + o(\|\mathbf{h}\|^n), \quad (\|\mathbf{h}\| \to 0),$$ 其中 $P_n(\mathbf{h})$ 是关于 $\mathbf{h}$ 的 $n$ 次多项式。那么，$P_n(\mathbf{h})$ 必定是 $f(\mathbf{x})$ 在点 $\mathbf{x}_0$ 处的 $n$ 阶泰勒多项式。

这个定理意味着，无论我们通过什么方法（例如，利用已知的一元展开式进行组合、乘法等）得到了一个符合上述形式的多项式，它就是我们要找的泰勒展开式。

应用示例：将函数 $f(x, y) = e^x \cos y$ 在点 $(0, 0)$ 处展开到二次项（佩亚诺余项）。

我们知道两个基本的一元展开式（在 $t=0$ 处）： $$e^t = 1 + t + \frac{t^2}{2!} + o(t^2), \quad \cos t = 1 - \frac{t^2}{2!} + o(t^2).$$ 根据唯一性定理，我们可以直接将 $t$ 分别替换为 $x$ 和 $y$，然后相乘： $$\begin{aligned} f(x, y) &= e^x \cos y \\ &= \left(1 + x + \frac{x^2}{2} + o(x^2)\right) \cdot \left(1 - \frac{y^2}{2} + o(y^2)\right) \quad \text{(当$$$x, y \to 0$)}. \end{aligned} 展开乘法，并保留所有次数不超过 2 的项（即 $1, x, y, x^2, xy, y^2$）： $$\begin{aligned} f(x, y) &= 1 \cdot 1 + 1 \cdot (-\frac{y^2}{2}) + x \cdot 1 + \frac{x^2}{2} \cdot 1 + \text{(高次及余项乘积)} \\ &= 1 + x + \frac{x^2}{2} - \frac{y^2}{2} + R(x, y). \end{aligned}$$ 这里 $R(x, y)$ 包含了 $o(x^2)$、$o(y^2)$ 以及它们的乘积。可以证明，当 $\rho = \sqrt{x^2+y^2} \to 0$ 时，$R(x, y) = o(\rho^2)$。因此，根据唯一性定理，上式就是 $f(x,y)$ 在 $(0,0)$ 处的二阶泰勒展开： $$e^x \cos y = 1 + x + \frac{1}{2}x^2 - \frac{1}{2}y^2 + o(\rho^2), \quad \rho = \sqrt{x^2+y^2} \to 0.$$

📝 动手练一练

1. 直接求导练习：求函数 $f(x, y) = \ln(1 + x + y)$ 在点 $(0,0)$ 处的二阶泰勒多项式（带佩亚诺余项）。 提示：先求出 $f(0,0)$, $\frac{\partial f}{\partial x}(0,0)$, $\frac{\partial f}{\partial y}(0,0)$ 以及所有二阶偏导数在 $(0,0)$ 的值，然后代入二阶泰勒公式。

2. 利用唯一性定理练习：将函数 $g(x, y) = \frac{1}{1 - x - y}$ 在点 $(0,0)$ 处展开到二次项（佩亚诺余项）。 提示：回忆一元展开式 $\frac{1}{1-t} = 1 + t + t^2 + o(t^2)$，并令 $t = x+y$。注意展开后合并同类项时，$x+y$ 的平方会产生 $x^2, 2xy, y^2$ 项。

本章小结

本节我们系统学习了多元函数的泰勒公式，这是连接微分学与最优化理论的核心桥梁。

要点回顾：

• 泰勒公式的本质：用多项式局部逼近光滑函数。二元及n元公式通过全微分算子 $\left( \mathbf{h} \cdot \nabla \right)^k$ 得到了统一而优雅的表达。
• 两种余项：拉格朗日余项给出了逼近误差的精确表达式，适用于理论分析；佩亚诺余项 $o(\|\mathbf{h}\|^n)$ 则更简洁地描述了误差阶数，适用于极限和近似计算。
• 核心中的核心：二阶泰勒展开 $f(\mathbf{x}_0+\mathbf{h}) = f(\mathbf{x}_0) + \nabla f^T \mathbf{h} + \frac{1}{2} \mathbf{h}^T \mathbf{H} \mathbf{h} + o(\|\mathbf{h}\|^2)$。它清晰地分离了函数的线性部分（梯度）和曲率部分（海塞矩阵）。
• 实用技巧：泰勒展开的唯一性定理允许我们通过组合已知的简单展开式（如 $e^x$, $\sin x$, $\frac{1}{1-x}$）来推导复杂函数的展开式，避免直接计算高阶偏导的麻烦。

📋 行动清单

1. 记忆二阶形式：务必熟记并理解二阶泰勒展开的矩阵形式，明确梯度向量和海塞矩阵在其中的角色。
2. 练习展开技巧：选取几个二元函数（如 $e^{x+y}$, $\sin(xy)$），分别用直接求导法和唯一性定理法进行二阶展开，并验证结果一致。
3. 代码验证：仿照示例代码，使用 sympy 对你自己展开的结果进行符号求导验证，并使用 numpy 在几个具体点进行数值误差验证，直观感受 $o(\|\mathbf{h}\|^2)$ 的含义。

—— 小象教研组