机器学习数学通关指南——链式法则

前言

本文隶属于专栏《机器学习数学通关指南》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！

本专栏目录结构和参考文献请见《机器学习数学通关指南》

---

正文

一、定义与公式

链式法则（Chain Rule）是计算复合函数导数的核心规则：

• 数学表述（$y=f(u)$，其中 $u=g(x)$，则复合函数 $y=f(g(x))$ 的导数为：
  $$\frac{dy}{dx}=\frac{dy}{du}\cdot \frac{du}{dx}$$
• 物理意义：描述“函数嵌套”时的变化率传递。外部函数对中间变量的导数（$\frac{dy}{du}$），与中间变量对自变量的导数（$\frac{du}{dx}$）相乘。

---

二、核心作用

1. 分解复杂函数
   将多层嵌套函数（如 $\sin (e^{2x})$）分解为简单函数的导数乘积，避免直接计算整体极限。
2. 兼容其他求导法则
   常与乘积法则（如3$e^{2x}\cdot \sin x$ 的导数：
   • 先用链式法则求 $e^{2x}$ 的导数（外层函数 $e^u$，内层 $u=2x$，导数 $2e^{2x}$），
   • 再用乘积法则组合结果 $2e^{2x}\sin x+e^{2x}\cos x$。

---

三、应用步骤

具体操作流程：

1. 识别复合结构
   明确函数的内外层关系。例如函数 $e^{2x}$ 中，外层是 $e^u$，内层是 $u=2x$。
2. 逐层求导
   • 先对外层函数求导：$\frac{dy}{du}=e^u=e^{2x}$，
   • 再对内层函数求导：$\frac{du}{dx}=2$。
3. 乘积合成结果
   $\frac{dy}{dx}=e^{2x}\cdot 2=2e^{2x}$。

---

五、注意事项

1. 可导性要求
   链条中的每一层函数需在对应点可导（如内层函数 $u=2x$ 需可导）。
2. 嵌套扩展性
   支持多重复合（如 $y=f(g(h(x)))$）：
   $$\frac{dy}{dx}=\frac{df}{dg}\cdot \frac{dg}{dh}\cdot \frac{dh}{dx}$$

---

总结

链式法则的本质是传递变化率，适用于任何复合函数。其工程价值在于将复杂问题分解为局部可计算的部分（如深度学习中的反向传播算法即依赖链式法则），是导数工具链的核心组件之一。