AI大模型与数学 第34课 多元复合偏导数：多变量链式求导（10道AI梯度核心计算题）

课程前言
一元复合链式是单层网络梯度，多元复合链式法则是大模型反向传播的底层核心。

一元函数是一个因素对结果的影响，多元复合链式法则是多个因素相互作用对结果的影响。
我们为了寻求最佳结果，必须对影响结果因素的相互作用进行计算求导，找到最优路径。l

二元复合通用模型：z=f(u,v),\ u=\varphi(x,y),\ v=\psi(x,y)l
链式公式：
\frac{\partial z}{\partial x}=\frac{\partial z}{\partial u}\cdot\frac{\partial u}{\partial x}+\frac{\partial z}{\partial v}\cdot\frac{\partial v}{\partial x}
\frac{\partial z}{\partial y}=\frac{\partial z}{\partial u}\cdot\frac{\partial u}{\partial y}+\frac{\partial z}{\partial v}\cdot\frac{\partial v}{\partial y}
AI对应逻辑：
z = 损失函数；u、v = 隐藏层输出；x、y = 网络权重参数
多层网络梯度回传，就是多层多元链式连加连乘，Transformer、CNN全部依靠该公式完成参数更新。

一、核心计算规则（通俗解读）

1. 多路径求和：损失可通过多条中间变量影响权重，梯度全部相加；
2. 逐层相乘：外层函数偏导 × 内层变量偏导，对应跨层梯度传递；
3. 复合层数越多，链式计算步骤越多，深层大模型梯度链路更长。
   一件事情，多个影响结果的因素，我们如何分析因素达到最佳结果。

二、10道多元复合链式计算题（完整步骤+AI场景解读）
题1
z=u^2+v,\ u=2x,\ v=3y，求\dfrac{\partial z}{\partial x},\dfrac{\partial z}{\partial y}
解：
\dfrac{\partial z}{\partial u}=2u,\ \dfrac{\partial z}{\partial v}=1
\dfrac{\partial u}{\partial x}=2,\dfrac{\partial u}{\partial y}=0;\ \dfrac{\partial v}{\partial x}=0,\dfrac{\partial v}{\partial y}=3
\dfrac{\partial z}{\partial x}=2u\cdot 2=4u=8x
\dfrac{\partial z}{\partial y}=1\cdot 3=3
AI解读：两层简单网络，两条独立特征支路，权重梯度互不干扰，浅层全连接基础梯度计算。

题2
z=u+v^2,\ u=x+y,\ v=x-y，对x、y求偏导
解：
\dfrac{\partial z}{\partial u}=1,\dfrac{\partial z}{\partial v}=2v
\dfrac{\partial u}{\partial x}=1,\dfrac{\partial u}{\partial y}=1;\ \dfrac{\partial v}{\partial x}=1,\dfrac{\partial v}{\partial y}=-1
\dfrac{\partial z}{\partial x}=1\cdot1 + 2v\cdot1=1+2(x-y)
\dfrac{\partial z}{\partial y}=1\cdot1 + 2v\cdot(-1)=1-2(x-y)
AI解读：特征融合网络，x、y两个权重同时作用两条中间特征，梯度叠加求和。

题3
z=e^{{u+v}, u=x}2,\ v=2xy，求\partial z/\partial x
解：
\dfrac{\partial z}{\partial u}=\dfrac{\partial z}{\partial v}=e^{u+v}
\dfrac{\partial u}{\partial x}=2x,\ \dfrac{\partial v}{\partial x}=2y
\dfrac{\partial z}{\partial x}=e^{u+v}\cdot2x + e^{{u+v}\cdot2y=2(x+y)e}{x^2+2xy}
AI解读：指数激活融合双特征，注意力模块特征加权梯度计算模板。

题4
z=\sin(u),\ u=x^2+3y，求两个一阶偏导
解：
\dfrac{\partial z}{\partial u}=\cos u
\dfrac{\partial u}{\partial x}=2x,\ \dfrac{\partial u}{\partial y}=3
\dfrac{\partial z}{\partial x}=2x\cos(x^2+3y)
\dfrac{\partial z}{\partial y}=3\cos(x^2+3y)
AI解读：RoPE旋转位置编码复合函数，位置参数多层嵌套梯度求解。

题5
z=uv,\ u=3x-y,\ v=x+2y，求偏导数
解：
\dfrac{\partial z}{\partial u}=v,\dfrac{\partial z}{\partial v}=u
\dfrac{\partial u}{\partial x}=3,\dfrac{\partial u}{\partial y}=-1;\ \dfrac{\partial v}{\partial x}=1,\dfrac{\partial v}{\partial y}=2
\dfrac{\partial z}{\partial x}=3v+u=3(x+2y)+3x-y=6x+5y
\dfrac{\partial z}{\partial y}=-v+2u=-(x+2y)+2(3x-y)=5x-4y
AI解读：特征交叉相乘层，权重耦合梯度，大模型多头注意力交互项底层运算。

题6
z=u^{3, u=x-y}2，求\partial z/\partial x、\partial z/\partial y
解：
\dfrac{\partial z}{\partial u}=3u^2
\dfrac{\partial u}{\partial x}=1,\ \dfrac{\partial u}{\partial y}=-2y
\dfrac{\partial z}{\partial x}=3(x-y²⁾2
\dfrac{\partial z}{\partial y}=-6y(x-y²⁾2
AI解读：高次损失嵌套线性特征，权重y的梯度带二次衰减，对应权重衰减正则效果。

题7
z=\ln(u+v),\ u=xy,\ v=x，求对x偏导
解：
\dfrac{\partial z}{\partial u}=\dfrac{\partial z}{\partial v}=\dfrac{1}{u+v}
\dfrac{\partial u}{\partial x}=y,\dfrac{\partial v}{\partial x}=1
\dfrac{\partial z}{\partial x}=\dfrac{y+1}{xy+x}
AI解读：交叉熵对数损失复合函数，分类任务反向传播核心梯度。

题8
三层嵌套复合：z=e^t,\ t=u+v,\ u=2x,\ v=xy，求\partial z/\partial x
解：
\dfrac{\partial z}{\partial t}=e^t,\ \dfrac{\partial t}{\partial u}=1,\dfrac{\partial t}{\partial v}=1
\dfrac{\partial u}{\partial x}=2,\dfrac{\partial v}{\partial x}=y
\dfrac{\partial z}{\partial x}=e^{2x+xy}(2+y)
AI解读：三层复合对应三层隐藏神经网络，梯度三层连乘，深层模型反向传播标准流程。

题9
z=u\cos v,\ u=x^2,\ v=3y，求两个偏导
解：
\dfrac{\partial z}{\partial u}=\cos v,\ \dfrac{\partial z}{\partial v}=-u\sin v
\dfrac{\partial u}{\partial x}=2x,\dfrac{\partial u}{\partial y}=0;\ \dfrac{\partial v}{\partial x}=0,\dfrac{\partial v}{\partial y}=3
\dfrac{\partial z}{\partial x}=2x\cos3y
\dfrac{\partial z}{\partial y}=-3x^2\sin3y
AI解读：时序特征加权+周期位置编码复合结构，大模型时序预测梯度模板。

题10 压轴综合多路径复合
z=u^2+ev,\ u=x-y,\ v=xy，完整求\dfrac{\partial z}{\partial x},\dfrac{\partial z}{\partial y}
解：
\dfrac{\partial z}{\partial u}=2u,\ \dfrac{\partial z}{\partial v}=e^v
\dfrac{\partial u}{\partial x}=1,\dfrac{\partial u}{\partial y}=-1;\ \dfrac{\partial v}{\partial x}=y,\dfrac{\partial v}{\partial y}=x
\frac{\partial z}{\partial x}=2(x-y)\cdot 1 + e^{xy}\cdot y=2(x-y)+ye^{xy}
\frac{\partial z}{\partial y}=2(x-y)\cdot(-1)+e^{xy}\cdot x=-2(x-y)+xe^{xy}
AI解读：同时包含二次损失、指数激活、交叉特征项，完整复刻Transformer损失梯度计算逻辑，是工程最通用复合梯度模型。

三、课程核心总结（衔接35课二阶混合偏导）
4. 多元链式两大核心：多路径梯度相加、每层导数相乘；
5. 大模型反向传播本质：对海量权重求解多元复合偏导；
6. 路径越多、嵌套层数越深，梯度表达式越复杂，深层网络易出现梯度消失/爆炸；
7. 下一课程学习多元二阶、混合偏导，为海塞矩阵、多元极值判定打基础。

多元复合链式求导很容易漏算某一条梯度路径，你做题时怎么避免丢项？
深层大模型梯度消失和链式连乘有什么关系？欢迎评论区交流！