引言
微积分堪称科学的通用语言，而微分则是其灵魂所在。从一维导数到流形上的切映射，微分的本质始终是一个线性映射。我们将从这一核心观点出发，系统梳理微积分中一系列重要概念：导数、微分、雅可比矩阵、方向导数、梯度、链式法则、Hessian、切映射、拉回等，揭示它们背后的统一结构。更重要的是，我们将用 Python 代码可视化这些概念，让你直观地看到微分如何'线性化'非线性函数。
所有示例代码均基于 Python 3 + NumPy + Matplotlib 编写，你可以直接复制到本地环境运行，观察图形变化。
1. 一维导数的重新解读——从'数'到'线性映射'
1.1 传统定义的局限
对于一元函数 $f:\mathbb{R}\to\mathbb{R}$，导数通常定义为 [ f'(x)=\lim_{h\to 0}\frac{f(x+h)-f(x)}{h}. ] 这个定义直观地告诉我们：导数就是瞬时变化率。但它容易让人误以为导数仅仅是一个数值。
1.2 微分的最佳定义：线性近似
真正统一的定义是：存在一个线性映射 $df_x:\mathbb{R}\to\mathbb{R}$，使得 [ df_x(h) = f'(x) \cdot h. ] 这意味着在局部范围内，函数的增量可以用线性关系来近似。这种视角将导数从一个孤立的'数'，提升为一种描述局部行为的'映射'。当我们把目光投向更高维空间时，这种线性近似的思想依然是理解复杂变换的关键。
