同济高数第八版下册到模型学习:第26到50题

承接上册25题,按同济高数第八版下册主线整理向量、多元微分、重积分、曲线曲面积分和级数的25道原创题,服务模型学习。

这是“同济高数第八版到模型学习 50 题”的下篇。上篇覆盖第 1 到 25 题,主线是一元微积分:极限、导数、Taylor、积分、微分方程。本文继续第 26 到 50 题,覆盖同济《高等数学》第八版下册的主干:向量代数与空间解析几何、多元函数微分法及其应用、重积分、曲线积分与曲面积分、无穷级数。

这组题仍然坚持一个原则:

不复刻教材原题,而是按同济高数知识范围,重写一套对模型学习有用的原创训练题。

下册对模型学习尤其重要,因为大模型里的“参数”不是一个数,而是一大串数。于是数学也从一维曲线进入高维空间:

flowchart LR
  A["向量"] --> B["相似度/投影"]
  B --> C["多元函数"]
  C --> D["梯度与 Hessian"]
  D --> E["重积分与期望"]
  E --> F["曲线曲面积分"]
  F --> G["级数近似"]

排版约定和上篇一致:公式用 KaTeX 渲染,推导拆成短步骤,答案单独成块,每题最后给出“模型连接”。

一、向量代数与空间解析几何:高维表示的语言

26. 用点积计算向量相似度

题目:设

a=(1,2,2),b=(2,1,2)\mathbf a=(1,2,2),\quad \mathbf b=(2,1,2)

求 a⋅b\mathbf a\cdot \mathbf b,并求两向量夹角的余弦值。

解答:

点积按对应分量相乘再相加:

a⋅b=1⋅2+2⋅1+2⋅2=8\mathbf a\cdot \mathbf b = 1\cdot 2+2\cdot 1+2\cdot 2 = 8

再求长度:

∥a∥=12+22+22=3\|\mathbf a\| = \sqrt{1^2+2^2+2^2} = 3 ∥b∥=22+12+22=3\|\mathbf b\| = \sqrt{2^2+1^2+2^2} = 3

夹角余弦:

cos⁡θ=a⋅b∥a∥∥b∥=89\cos\theta = \frac{\mathbf a\cdot \mathbf b}{\|\mathbf a\|\|\mathbf b\|} = \frac{8}{9}

答案:

a⋅b=8,cos⁡θ=89\mathbf a\cdot \mathbf b=8,\quad \cos\theta=\frac{8}{9}

模型连接:embedding 相似度常用点积或 cosine similarity。向量越同向,点积和余弦相似度越大,检索、推荐、注意力机制都离不开这个直觉。

27. 把一个向量投影到另一个方向

题目:求向量

u=(3,4)\mathbf u=(3,4)

在方向

v=(1,0)\mathbf v=(1,0)

上的投影向量。

解答:

投影公式为:

proj⁡vu=u⋅vv⋅vv\operatorname{proj}_{\mathbf v}\mathbf u = \frac{\mathbf u\cdot \mathbf v}{\mathbf v\cdot \mathbf v}\mathbf v

先算点积:

u⋅v=3⋅1+4⋅0=3\mathbf u\cdot \mathbf v=3\cdot 1+4\cdot 0=3

再算:

v⋅v=1\mathbf v\cdot \mathbf v=1

所以:

proj⁡vu=3(1,0)=(3,0)\operatorname{proj}_{\mathbf v}\mathbf u = 3(1,0) = (3,0)

答案:

(3,0)(3,0)

模型连接:投影就是“某个方向上有多少成分”。PCA、低秩近似、LoRA、特征压缩都可以先用投影来理解。

28. 求平面方程

题目:求过点 P(1,2,3)P(1,2,3),且法向量为 n=(2,−1,1)\mathbf n=(2,-1,1) 的平面方程。

解答:

平面上一点 (x,y,z)(x,y,z) 与已知点 P(1,2,3)P(1,2,3) 的连线向量为:

(x−1, y−2, z−3)(x-1,\ y-2,\ z-3)

这个向量在平面内,因此与法向量垂直:

(2,−1,1)⋅(x−1, y−2, z−3)=0(2,-1,1)\cdot(x-1,\ y-2,\ z-3)=0

展开:

2(x−1)−(y−2)+(z−3)=02(x-1)-(y-2)+(z-3)=0

化简:

2x−y+z−3=02x-y+z-3=0

答案:

2x−y+z−3=02x-y+z-3=0

模型连接:线性分类器的决策边界就是高维空间里的超平面。法向量决定“往哪边分”,偏置决定平面位置。

29. 点到平面的距离

题目:求点 Q(1,1,1)Q(1,1,1) 到平面

2x−y+z−3=02x-y+z-3=0

的距离。

解答:

点 (x0,y0,z0)(x_0,y_0,z_0) 到平面 Ax+By+Cz+D=0Ax+By+Cz+D=0 的距离为:

d=∣Ax0+By0+Cz0+D∣A2+B2+C2d=\frac{|Ax_0+By_0+Cz_0+D|}{\sqrt{A^2+B^2+C^2}}

这里:

A=2,B=−1,C=1,D=−3A=2,\quad B=-1,\quad C=1,\quad D=-3

代入点 Q(1,1,1)Q(1,1,1):

∣2⋅1−1⋅1+1⋅1−3∣=∣−1∣=1|2\cdot 1-1\cdot 1+1\cdot 1-3| = | -1 | = 1

分母:

22+(−1)2+12=6\sqrt{2^2+(-1)^2+1^2} = \sqrt{6}

所以:

d=16d=\frac{1}{\sqrt{6}}

答案:

16\frac{1}{\sqrt{6}}

模型连接:分类间隔可以理解成样本点到决策平面的距离。支持向量机的核心直觉就是让这个间隔尽量大。

30. 判断两向量是否线性相关

题目:判断

a=(1,2,3),b=(2,4,6)\mathbf a=(1,2,3),\quad \mathbf b=(2,4,6)

是否线性相关。

解答:

如果存在常数 kk,使得:

b=ka\mathbf b=k\mathbf a

则两向量线性相关。

观察:

(2,4,6)=2(1,2,3)(2,4,6)=2(1,2,3)

所以:

b=2a\mathbf b=2\mathbf a

两向量方向完全相同,只是长度不同,因此线性相关。

答案:线性相关。

模型连接:线性相关意味着信息重复。特征工程、表示学习、低秩分解都关心“哪些方向是真正独立的信息”。

二、多元函数微分法:梯度、链式法则与曲率

31. 计算偏导数

题目:设

f(x,y)=x2y+sin⁡(xy)f(x,y)=x^2y+\sin(xy)

求 fxf_x 与 fyf_y。

解答:

求 fxf_x 时,把 yy 当常数:

∂∂x(x2y)=2xy\frac{\partial}{\partial x}(x^2y)=2xy ∂∂xsin⁡(xy)=cos⁡(xy)⋅y\frac{\partial}{\partial x}\sin(xy)=\cos(xy)\cdot y

所以:

fx=2xy+ycos⁡(xy)f_x=2xy+y\cos(xy)

求 fyf_y 时,把 xx 当常数:

∂∂y(x2y)=x2\frac{\partial}{\partial y}(x^2y)=x^2 ∂∂ysin⁡(xy)=cos⁡(xy)⋅x\frac{\partial}{\partial y}\sin(xy)=\cos(xy)\cdot x

所以:

fy=x2+xcos⁡(xy)f_y=x^2+x\cos(xy)

答案:

fx=2xy+ycos⁡(xy),fy=x2+xcos⁡(xy)f_x=2xy+y\cos(xy),\quad f_y=x^2+x\cos(xy)

模型连接:偏导数就是“只动一个参数,看损失怎么变”。梯度就是所有偏导数组成的向量。

32. 二元平方损失的梯度

题目:设一个简单模型为

y^=wx+b\hat y=wx+b

单样本损失为

L(w,b)=12(wx+b−y)2L(w,b)=\frac{1}{2}(wx+b-y)^2

求 ∇L(w,b)\nabla L(w,b)。

解答:

令误差:

e=wx+b−ye=wx+b-y

则:

L=12e2L=\frac{1}{2}e^2

对 ww 求偏导:

∂L∂w=e⋅∂e∂w=e⋅x\frac{\partial L}{\partial w} = e\cdot \frac{\partial e}{\partial w} = e\cdot x

对 bb 求偏导:

∂L∂b=e⋅∂e∂b=e\frac{\partial L}{\partial b} = e\cdot \frac{\partial e}{\partial b} = e

所以梯度为:

∇L(w,b)=(ex, e)=((wx+b−y)x, wx+b−y)\nabla L(w,b) = (ex,\ e) = ((wx+b-y)x,\ wx+b-y)

答案:

∇L(w,b)=((wx+b−y)x, wx+b−y)\nabla L(w,b)=((wx+b-y)x,\ wx+b-y)

模型连接:这是线性回归的一步反向传播。大模型再复杂,本质也在不断计算“损失对每个参数的偏导”。

33. 方向导数:沿指定方向的变化率

题目:设

f(x,y)=x2+y2f(x,y)=x^2+y^2

求在点 (1,2)(1,2) 处,沿单位方向

u=(35,45)\mathbf u=\left(\frac{3}{5},\frac{4}{5}\right)

的方向导数。

解答:

先求梯度:

∇f=(2x,2y)\nabla f=(2x,2y)

在 (1,2)(1,2) 处:

∇f(1,2)=(2,4)\nabla f(1,2)=(2,4)

方向导数为:

Duf=∇f⋅uD_{\mathbf u}f=\nabla f\cdot \mathbf u

所以:

Duf(1,2)=(2,4)⋅(35,45)=65+165=225D_{\mathbf u}f(1,2) =(2,4)\cdot\left(\frac{3}{5},\frac{4}{5}\right) = \frac{6}{5}+\frac{16}{5} = \frac{22}{5}

答案:

225\frac{22}{5}

模型连接:梯度告诉你“所有方向里上升最快的方向”。方向导数告诉你,如果参数按某个指定方向更新,损失会怎么变。

34. 多元链式法则

题目:设

z=(x2+y)3z=(x^2+y)^3

求 ∂z∂x\frac{\partial z}{\partial x} 和 ∂z∂y\frac{\partial z}{\partial y}。

解答:

令:

u=x2+yu=x^2+y

则:

z=u3z=u^3

对 xx 求偏导:

∂z∂x=3u2⋅∂u∂x=3(x2+y)2⋅2x\frac{\partial z}{\partial x} = 3u^2\cdot \frac{\partial u}{\partial x} = 3(x^2+y)^2\cdot 2x

所以:

∂z∂x=6x(x2+y)2\frac{\partial z}{\partial x}=6x(x^2+y)^2

对 yy 求偏导:

∂z∂y=3u2⋅∂u∂y=3(x2+y)2\frac{\partial z}{\partial y} = 3u^2\cdot \frac{\partial u}{\partial y} = 3(x^2+y)^2

答案:

∂z∂x=6x(x2+y)2,∂z∂y=3(x2+y)2\frac{\partial z}{\partial x}=6x(x^2+y)^2,\quad \frac{\partial z}{\partial y}=3(x^2+y)^2

模型连接:反向传播就是大规模链式法则。神经网络由很多层函数复合而成,梯度正是沿着复合链条传回去。

35. Hessian 判断极值

题目:设

f(x,y)=x2+2y2−2x+4yf(x,y)=x^2+2y^2-2x+4y

求极值点,并判断其性质。

解答:

先求偏导:

fx=2x−2,fy=4y+4f_x=2x-2,\quad f_y=4y+4

令偏导为 0:

2x−2=0,4y+4=02x-2=0,\quad 4y+4=0

得到:

x=1,y=−1x=1,\quad y=-1

Hessian 矩阵为:

H=[fxxfxyfyxfyy]=[2004]H= \begin{bmatrix} f_{xx} & f_{xy}\\ f_{yx} & f_{yy} \end{bmatrix} = \begin{bmatrix} 2 & 0\\ 0 & 4 \end{bmatrix}

这个矩阵两个主方向上的二阶系数都为正,表示曲面像碗一样向上开,因此该点是极小值点。

答案:

(1,−1)(1,-1)

是极小值点。

模型连接:Hessian 记录损失曲面的弯曲。梯度告诉你往哪走,Hessian 告诉你地形有多弯、哪边陡。

36. 约束优化:最小范数解

题目:在约束

x+y=1x+y=1

下,求

f(x,y)=x2+y2f(x,y)=x^2+y^2

的最小值点。

解答:

用约束消元。由 x+y=1x+y=1 得:

y=1−xy=1-x

代入目标函数:

f(x)=x2+(1−x)2f(x)=x^2+(1-x)^2

展开:

f(x)=x2+1−2x+x2=2x2−2x+1f(x)=x^2+1-2x+x^2=2x^2-2x+1

求导:

f′(x)=4x−2f'(x)=4x-2

令导数为 0:

4x−2=04x-2=0

所以:

x=12x=\frac{1}{2}

于是:

y=1−12=12y=1-\frac{1}{2}=\frac{1}{2}

答案:

(12,12)\left(\frac{1}{2},\frac{1}{2}\right)

模型连接:约束优化是机器学习常客。比如权重归一化、概率和为 1、资源预算固定时的最优分配,都可以看成带约束的优化问题。

37. 二元 Taylor 近似

题目:设

f(x,y)=ex+yf(x,y)=e^{x+y}

在 (0,0)(0,0) 附近写出一阶 Taylor 近似,并估算 f(0.01,0.02)f(0.01,0.02)。

解答:

一阶 Taylor 近似:

f(x,y)≈f(0,0)+fx(0,0)x+fy(0,0)yf(x,y)\approx f(0,0)+f_x(0,0)x+f_y(0,0)y

先算:

f(0,0)=e0=1f(0,0)=e^0=1

偏导为:

fx=ex+y,fy=ex+yf_x=e^{x+y},\quad f_y=e^{x+y}

所以:

fx(0,0)=1,fy(0,0)=1f_x(0,0)=1,\quad f_y(0,0)=1

于是:

f(x,y)≈1+x+yf(x,y)\approx 1+x+y

代入 (0.01,0.02)(0.01,0.02):

f(0.01,0.02)≈1+0.01+0.02=1.03f(0.01,0.02)\approx 1+0.01+0.02=1.03

答案:

f(0.01,0.02)≈1.03f(0.01,0.02)\approx 1.03

模型连接:多元 Taylor 是理解多参数模型局部变化的基本工具。大模型每次更新都可以看成在高维参数空间里做局部近似。

三、重积分:连续空间里的平均、归一化和期望

38. 矩形区域上的二重积分

题目:计算

∬D(x+y) dA\iint_D (x+y)\,dA

其中

D={(x,y)∣0≤x≤1, 0≤y≤2}D=\{(x,y)\mid 0\le x\le 1,\ 0\le y\le 2\}

解答:

写成累次积分:

∬D(x+y) dA=∫01∫02(x+y) dy dx\iint_D (x+y)\,dA = \int_0^1\int_0^2 (x+y)\,dy\,dx

先对 yy 积分:

∫02(x+y) dy=xy+y22∣02=2x+2\int_0^2(x+y)\,dy = \left.xy+\frac{y^2}{2}\right|_0^2 = 2x+2

再对 xx 积分:

∫01(2x+2) dx=x2+2x∣01=3\int_0^1(2x+2)\,dx = \left.x^2+2x\right|_0^1 = 3

答案:

33

模型连接:二重积分是二维连续空间上的累计量。连续输入空间里的平均风险、图像区域上的累计强度,都可以用这种方式理解。

39. 用极坐标计算圆盘积分

题目:计算单位圆盘

D={(x,y)∣x2+y2≤1}D=\{(x,y)\mid x^2+y^2\le 1\}

上的积分:

∬D(x2+y2) dA\iint_D (x^2+y^2)\,dA

解答:

在极坐标中:

x2+y2=r2,dA=r dr dθx^2+y^2=r^2,\quad dA=r\,dr\,d\theta

单位圆盘对应:

0≤r≤1,0≤θ≤2π0\le r\le 1,\quad 0\le \theta\le 2\pi

所以:

∬D(x2+y2) dA=∫02π∫01r2⋅r dr dθ\iint_D (x^2+y^2)\,dA = \int_0^{2\pi}\int_0^1 r^2\cdot r\,dr\,d\theta

即:

∫02π∫01r3 dr dθ\int_0^{2\pi}\int_0^1 r^3\,dr\,d\theta

先对 rr 积分:

∫01r3 dr=14\int_0^1 r^3\,dr=\frac{1}{4}

再对 θ\theta 积分:

∫02π14 dθ=π2\int_0^{2\pi}\frac{1}{4}\,d\theta=\frac{\pi}{2}

答案:

π2\frac{\pi}{2}

模型连接:当区域有圆形对称性时,极坐标能大幅简化问题。高斯分布、范数球、旋转对称初始化都和这种几何直觉有关。

40. 二维概率密度归一化

题目:设区域

D={(x,y)∣0≤x≤1, 0≤y≤1−x}D=\{(x,y)\mid 0\le x\le 1,\ 0\le y\le 1-x\}

若

p(x,y)=cp(x,y)=c

在 DD 上是概率密度,求 cc。

解答:

概率密度总积分必须为 1:

∬Dc dA=1\iint_D c\,dA=1

区域 DD 是直角三角形,面积为:

12\frac{1}{2}

所以:

c⋅12=1c\cdot \frac{1}{2}=1

得到:

c=2c=2

也可写成积分:

∫01∫01−xc dy dx=1\int_0^1\int_0^{1-x}c\,dy\,dx=1

答案:

c=2c=2

模型连接:连续概率分布必须归一化。二维密度的归一化就是 softmax 在连续空间里的表亲。

41. 二维均匀分布的期望

题目:设 (X,Y)(X,Y) 在单位正方形 [0,1]×[0,1][0,1]\times[0,1] 上均匀分布。求

E[X+Y]E[X+Y]

解答:

均匀分布密度为 1。期望为:

E[X+Y]=∫01∫01(x+y) dy dxE[X+Y] = \int_0^1\int_0^1(x+y)\,dy\,dx

先对 yy 积分:

∫01(x+y) dy=xy+y22∣01=x+12\int_0^1(x+y)\,dy = \left.xy+\frac{y^2}{2}\right|_0^1 = x+\frac{1}{2}

再对 xx 积分:

∫01(x+12)dx=12+12=1\int_0^1\left(x+\frac{1}{2}\right)dx = \frac{1}{2}+\frac{1}{2} = 1

答案:

E[X+Y]=1E[X+Y]=1

模型连接:期望就是平均。训练目标常写成对数据分布的期望损失,样本平均只是它的离散近似。

42. 三重积分计算体积

题目:求长方体

0≤x≤1,0≤y≤2,0≤z≤30\le x\le 1,\quad 0\le y\le 2,\quad 0\le z\le 3

的体积。

解答:

体积可以写成三重积分:

V=∭D1 dVV=\iiint_D 1\,dV

所以:

V=∫01∫02∫031 dz dy dxV=\int_0^1\int_0^2\int_0^3 1\,dz\,dy\,dx

先对 zz 积分:

∫031 dz=3\int_0^3 1\,dz=3

再对 yy 积分:

∫023 dy=6\int_0^2 3\,dy=6

最后对 xx 积分:

∫016 dx=6\int_0^1 6\,dx=6

答案:

66

模型连接:高维积分很快变难,这就是“维数灾难”的一个入口。大模型里的高维概率和期望通常不能直接积分,只能采样近似。

四、曲线积分与曲面积分:路径、流量与守恒

43. 标量场沿线段的曲线积分

题目:计算标量场

f(x,y)=x+yf(x,y)=x+y

沿线段 CC:从 (0,0)(0,0) 到 (1,1)(1,1) 的曲线积分

∫Cf(x,y) ds\int_C f(x,y)\,ds

解答:

参数化线段:

x=t,y=t,0≤t≤1x=t,\quad y=t,\quad 0\le t\le 1

则:

f(x,y)=t+t=2tf(x,y)=t+t=2t

弧长微元:

ds=(dxdt)2+(dydt)2 dt=12+12 dt=2 dtds=\sqrt{\left(\frac{dx}{dt}\right)^2+\left(\frac{dy}{dt}\right)^2}\,dt = \sqrt{1^2+1^2}\,dt = \sqrt{2}\,dt

所以:

∫Cf ds=∫012t2 dt=2\int_C f\,ds = \int_0^1 2t\sqrt{2}\,dt = \sqrt{2}

答案:

2\sqrt{2}

模型连接:曲线积分可以理解成“沿路径累计某种代价”。优化路径上的累计损失、物理启发模型里的能量,都有类似直觉。

44. 向量场做功

题目:设向量场

F(x,y)=(y,x)\mathbf F(x,y)=(y,x)

沿直线段 CC:从 (0,0)(0,0) 到 (1,1)(1,1),计算

∫CF⋅dr\int_C \mathbf F\cdot d\mathbf r

解答:

参数化:

r(t)=(t,t),0≤t≤1\mathbf r(t)=(t,t),\quad 0\le t\le 1

则:

r′(t)=(1,1)\mathbf r'(t)=(1,1)

向量场沿路径为:

F(r(t))=(t,t)\mathbf F(\mathbf r(t))=(t,t)

于是:

F⋅dr=F(r(t))⋅r′(t) dt=(t,t)⋅(1,1) dt=2t dt\mathbf F\cdot d\mathbf r = \mathbf F(\mathbf r(t))\cdot \mathbf r'(t)\,dt = (t,t)\cdot(1,1)\,dt = 2t\,dt

积分:

∫012t dt=1\int_0^1 2t\,dt=1

答案:

11

模型连接:如果把梯度看成一个向量场,那么沿路径积分可以描述沿参数路径的损失变化。理解向量场,有助于理解优化轨迹。

45. 用 Green 公式算环流

题目:设

F(x,y)=(−y,x)\mathbf F(x,y)=(-y,x)

令 CC 为单位圆 x2+y2=1x^2+y^2=1 的逆时针方向。计算

∮CF⋅dr\oint_C \mathbf F\cdot d\mathbf r

解答:

写成:

F=(P,Q),P=−y,Q=x\mathbf F=(P,Q),\quad P=-y,\quad Q=x

Green 公式:

∮CP dx+Q dy=∬D(∂Q∂x−∂P∂y)dA\oint_C P\,dx+Q\,dy = \iint_D\left(\frac{\partial Q}{\partial x}-\frac{\partial P}{\partial y}\right)dA

计算偏导:

∂Q∂x=1,∂P∂y=−1\frac{\partial Q}{\partial x}=1,\quad \frac{\partial P}{\partial y}=-1

所以 integrand 为:

1−(−1)=21-(-1)=2

单位圆盘面积为 π\pi,因此:

∬D2 dA=2π\iint_D 2\,dA=2\pi

答案:

2π2\pi

模型连接:这题展示“局部旋转强度”和“边界环流”的关系。向量场、流、守恒结构在物理启发网络和连续动力系统里很重要。

46. 简单通量计算

题目:设向量场

F=(0,0,1)\mathbf F=(0,0,1)

求它穿过平面片

S: 0≤x≤1, 0≤y≤1, z=0S:\ 0\le x\le 1,\ 0\le y\le 1,\ z=0

向上方向的通量。

解答:

平面片向上单位法向量为:

n=(0,0,1)\mathbf n=(0,0,1)

通量为:

∬SF⋅n dS\iint_S \mathbf F\cdot \mathbf n\,dS

点积:

F⋅n=(0,0,1)⋅(0,0,1)=1\mathbf F\cdot \mathbf n=(0,0,1)\cdot(0,0,1)=1

平面片面积为 1,所以:

∬S1 dS=1\iint_S 1\,dS=1

答案:

11

模型连接:通量表示“穿过一个界面的总流量”。在连续建模、扩散模型、概率流 ODE 的直觉里,这类概念会反复出现。

五、无穷级数:用有限项近似复杂函数

47. 几何级数求和

题目:求

∑n=0∞(12)n\sum_{n=0}^{\infty}\left(\frac{1}{2}\right)^n

解答:

几何级数公式:

∑n=0∞qn=11−q,∣q∣<1\sum_{n=0}^{\infty}q^n=\frac{1}{1-q},\quad |q|<1

这里:

q=12q=\frac{1}{2}

所以:

∑n=0∞(12)n=11−12=2\sum_{n=0}^{\infty}\left(\frac{1}{2}\right)^n = \frac{1}{1-\frac{1}{2}} = 2

答案:

22

模型连接:很多衰减权重、折扣回报、指数滑动平均都能看到几何级数。强化学习里的折扣累计回报就是典型例子。

48. 判断级数收敛

题目:判断级数

∑n=1∞1n2\sum_{n=1}^{\infty}\frac{1}{n^2}

是否收敛。

解答:

这是 pp 级数:

∑n=1∞1np\sum_{n=1}^{\infty}\frac{1}{n^p}

当 p>1p>1 时收敛;当 p≤1p\le 1 时发散。

这里:

p=2>1p=2>1

所以级数收敛。

答案:收敛。

模型连接:学习率调度经常关心某些序列的和是否有限。级数收敛性让你判断“长期累积影响”会不会爆炸。

49. 幂级数收敛半径

题目:求幂级数

∑n=1∞nxn\sum_{n=1}^{\infty} n x^n

的收敛半径。

解答:

令通项:

an=nxna_n=nx^n

用比值判别法:

∣an+1an∣=∣(n+1)xn+1nxn∣=n+1n∣x∣\left|\frac{a_{n+1}}{a_n}\right| = \left|\frac{(n+1)x^{n+1}}{nx^n}\right| = \frac{n+1}{n}|x|

当 n→∞n\to\infty:

n+1n→1\frac{n+1}{n}\to 1

所以极限为:

∣x∣|x|

比值判别要求:

∣x∣<1|x|<1

因此收敛半径为:

R=1R=1

答案:

R=1R=1

模型连接:幂级数是函数近似的基础。收敛半径提醒你:某个近似公式不是全世界都能用,它只在一定范围内可靠。

50. 用 Taylor 级数近似 sin⁡x\sin x

题目:用 sin⁡x\sin x 在 0 附近的前三个非零项近似 sin⁡(0.1)\sin(0.1)。

解答:

sin⁡x\sin x 的 Taylor 展开为:

sin⁡x=x−x33!+x55!−⋯\sin x=x-\frac{x^3}{3!}+\frac{x^5}{5!}-\cdots

前三个非零项为:

sin⁡x≈x−x36+x5120\sin x\approx x-\frac{x^3}{6}+\frac{x^5}{120}

代入 x=0.1x=0.1:

sin⁡(0.1)≈0.1−0.136+0.15120\sin(0.1)\approx 0.1-\frac{0.1^3}{6}+\frac{0.1^5}{120}

逐项计算:

0.13=0.001,0.0016≈0.00016670.1^3=0.001,\quad \frac{0.001}{6}\approx 0.0001667 0.15=0.00001,0.00001120≈0.00000008330.1^5=0.00001,\quad \frac{0.00001}{120}\approx 0.0000000833

所以:

sin⁡(0.1)≈0.1−0.0001667+0.0000000833=0.0998333833\sin(0.1)\approx 0.1-0.0001667+0.0000000833 = 0.0998333833

答案:

sin⁡(0.1)≈0.0998333833\sin(0.1)\approx 0.0998333833

模型连接:Transformer 的位置编码、RoPE、傅里叶特征都离不开正弦余弦。Taylor 级数告诉你:复杂周期函数也能被局部多项式近似。

两篇 50 题的学习顺序

如果目标是服务模型学习,我建议按这条线复盘:

  1. 极限和 Taylor:理解局部近似。
  2. 导数和偏导数:理解梯度。
  3. 凸性、Hessian、约束优化:理解损失地形。
  4. 积分和重积分:理解平均损失、期望、归一化。
  5. 向量、投影、距离:理解 embedding、相似度、决策边界。
  6. 曲线曲面积分和微分方程:理解连续动力系统。
  7. 级数:理解近似、收敛和长程累计。

同济高数不是“为 AI 发明的数学”,但它给了模型学习最基础的底盘:变化、累计、空间、近似、动力学。

参考