梯度和法向量的统一理解

在学习梯度和曲面上一点处的法向量的时候，发现它们的计算方法非常相似，但是一开始进入了误区，甚至以为梯度应该是模最大的切向量。想了好久才从几何意义的角度把梯度和法向量统一，希望下面的内容能帮助你加深理解。

1.梯度

严格意义上梯度只能说是只是函数的梯度。

以二元函数    为例，对应的平面方程：

在某一点=处，如果我们直接算处的梯度，得到的是一个二维向量

向量。显然这个向量并不是该平面上这一点的法向量，连维度都不够格。

另外，这里的梯度表示，沿方向的变化速率最快，好像是个跟切线和斜率类似的东西。

2.法向量

现在我们来算算这一点的法向量。

发现了什么？

是在平面上的投影！

3.如何解释？

为什么算法向量和算梯度的方法那么相似？为什么法向量的投影就是梯度？

是因为我们算法向量的时候实际上是构造了大,这个函数的梯度

表示的是沿什么方向与的差值变化最快，也就是脱离最快，显然应该是沿垂直切平面

的方向脱离最快。梯度是梯度，法向量是法向量，维数不同，梯度更多地是对函数的意义，法向量

更多地是对方程图像的意义，二者并不矛盾。

4.实际使用

以一个实际应用场景举例：算层流管中流速对离轴半径的梯度，这里的梯度就是“该函数”的梯度，

得到的是一个一维向量，也即一个数，但流速-半径关系的图象是二维的，该梯度并不能充当某点

处的法向量，反而反映了类似斜率的变化性质。

在神经网络中有gradient-descent的概念，该概念中梯度的意义类似。