微分的本质：从变化率到线性映射的 Python 可视化教程

引言

微积分是科学的语言，而微分是其灵魂。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。本文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。

本文所有代码均使用 Python 3 + NumPy + Matplotlib 编写，你可以复制到自己的环境中运行，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只是一个数。

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<