导数的几何意义可能很多人都比较熟悉: 当函数定义域和取值都在实数域中的时候，导数可以表示函数曲线上的切线斜率。 除了切线的斜率，导数还表示函数在该点的变化率。
将上面的公式转化为下面图像为：
直白的来说，导数代表了在自变量变化趋于无穷小的时候，函数值的变化与自变量变化的比值代表了导数，几何意义有该点的切线。物理意义有该时刻的（瞬时）变化率...
注意在一元函数中，只有一个自变量变动，也就是说只存在一个方向的变化率，这也就是为什么一元函数没有偏导数的原因。
既然谈到偏导数，那就至少涉及到两个自变量，以两个自变量为例，z=f(x,y) . 从导数到偏导数，也就是从曲线来到了曲面. 曲线上的一点，其切线只有一条。但是曲面的一点，切线有无数条。
而我们所说的偏导数就是指的是多元函数沿坐标轴的变化率.
fx&#;(x,y)指的是函数在y方向不变，函数值沿着x轴方向的变化率。
fy&#;(x,y)指的是函数在x方向不变，函数值沿着y轴方向的变化率。
对应的图像形象表达如下：
那么偏导数对应的几何意义是是什么呢？
fx&#;(x,y)偏导数就是曲面被平面所截得的曲面在点处的切线对x轴的斜率。
fy&#;(x,y)偏导数就是曲面被平面所截得的曲面在点处的切线对y轴的斜率。
可能到这里，读者就已经发现偏导数的局限性了，原来我们学到的偏导数指的是多元函数沿坐标轴的变化率，但是我们往往很多时候要考虑多元函数沿任意方向的变化率，那么就引出了方向导数。
终于引出我们的重头戏了，方向导数，下面我们慢慢来走进它
假设你站在山坡上，相知道山坡的坡度（倾斜度）
山坡图如下：
假设山坡表示为z＝f(x,y),你应该已经会做主要俩个方向的斜率.
y方向的斜率可以对y偏微分得到.
同样的，x方向的斜率也可以对x偏微分得到
那么我们可以使用这俩个偏微分来求出任何方向的斜率（类似于一个平面的所有向量可以用俩个基向量来表示一样）。
现在我们有这个需求，想求出u方向的斜率怎么办.假设z＝f(x,y)为一个曲面，p(xo,yo)为定义域f中一个点，单位向量u＝cosθi+sinθj的斜率，其中θ是此向量与x轴正向夹角.单位向量u可以表示对任何方向导数的方向.如下图：
那么我们来考虑如何求出u方向的斜率，可以类比于前面导数定义，得出如下：
设f(x,y)为一个二元函数，u＝cosθi+sinθj为一个单位向量，如果下列的极限值存在
此方向导数记为Duf
则称这个极限值f是沿着u方向的方向导数，那么随着θ的不同，我们可以求出任意方向的方向导数.这也表明了方向导数的用处，是为了给我们考虑函数对任意方向的变化率.
在求方向导数的时候，除了用上面的定义法求之外，我们还可以用偏微分来简化我们的计算.
表达式是：
（至于为什么成立，很多资料有，不是这里讨论的重点）
那么一个平面上无数个方向，函数沿哪个方向变化率最大呢？
目前我不管梯度的事，我先把表达式写出来：
设
那么我们可以得到：
(α为向量与向量之间的夹角)
那么此时如果Duf(x,y)要取得最大值，也就是当α为度的时候，也就是向量I（这个方向是一直在变，在寻找一个函数变化最快的方向）与向量A（这个方向当点固定下来的时候，它就是固定的）平行的时候，方向导数最大.方向导数最大，也就是单位步伐，函数值朝这个反向变化最快.
好了，现在我们已经找到函数值下降最快的方向了，这个方向就是和向量相同的方向.那么此时我把A向量命名为梯度（当一个点确定后，梯度方向是确定的），也就是说明了为什么梯度方向是函数变化率最大的方向了！！！（因为本来就是把这个函数变化最大的方向命名为梯度）
我的理解是，本来梯度就不是横空出世的，当我们有了这个需求（要求一个方向，此方向函数值变化最大），得到了一个方向，然后这个方向有了意义，我们给了它一个名称，叫做梯度。
