返回资讯中心
外部精选
软件工程
#开发者实时流

用新视角重释数学:一个博客尝试连接数学与现实

来源标题:A different interpretation of the same old mathematics

一篇博客文章尝试重新解读人们从小学习的数学概念,目标是将其与现实世界联系起来。作者以2+2=4和函数等基础知识为起点,面向已熟悉高中数学的读者,希望帮助他们以新视角理解数学。

Hacker News 最新aadyachinubhai2026/11/18 · 今天30 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

小时候,大多数人接触数学,都是把它当作一场数字游戏,似乎和现实没什么关联。而童年学到的东西,往往会一直跟着我们。长大后想去更新那些旧认知,得费相当大的力气。

正因如此,我们很多人脑中还留着这样的原子图像:一个小球,外面套着土星环一样的圈圈,而不是从原子轨道——s、p、d、f——上的概率分布去理解它。

所以我想花点时间,重新审视一些熟悉的数学概念,或许能重塑我们对它们的理解。写这篇博客,也是我强化自己数学神经通路的一个借口。目标很简单:把学到的数学和它所描述的现实联系起来。不过,我假设你已经熟悉高中数学,这次是来温故知新的——也许你已经厌倦了旧视角,想要一个新的。

我们最先学到的是 2 + 2 = 4。然后我们学到,数学还能求出未知的量,于是遇见了那个著名的字母 x:

函数接收一个输入,这里是 x,把它变换成一个输出,这里是 x + 5。有趣的地方就从这里开始了。

我个人认为,教函数应该从映射讲起,一路走到方程,而不是反过来。

我们把输入叫 x,对应的输出叫 f(x)。注意一件有意思的事:输入每增加一,输出也正好增加一。

严格来说,这只告诉我们整步之间的关系。假设函数是光滑的,在整数之间也保持同样的行为,没有隐藏的波动。那么变化率就是常数:

而既然变化率本身不再变化:

f″(x) = 0,所有更高阶导数也都是零。

泰勒级数

现在,我们可以在 x = 1 处做泰勒展开,把这个函数还原出来。一阶导数之后的每一项都消失了,于是:

就这样。我们从一个简单的映射表出发,得到了一个方程。我不是说理解函数必须记住泰勒展开。我想强调的是更根本的一点:

函数首先可以理解为一个映射,之后才用方程来表示。

方程只是描述这种关系的一种方式。

一旦开始用映射来思考,我们就准备好探索变换了。即便是笛卡尔坐标系这样熟悉的东西,也可以从这个角度重新看。

考虑从笛卡尔网格上采样得到的几个点:

每个点都映射到自身。我们描述的其实只是恒等变换——让每个点都待在原地的变换。但我们还能描述更复杂的变换。比如:

如果你在纸上画出“变换前/变换后”的图,把每个点和原点连起来,就会意识到实际发生的是:这些点顺时针旋转了 90 度。

顺时针旋转 90 度

现在注意,一个点需要两个坐标来描述,而旋转把这两个坐标混在了一起。新的 x 取决于旧的 y,新的 y 取决于旧的 x。所以单独看 x 和 y 是行不通的。

与其用两个独立的映射,不如考虑一个接收两个输入、产生两个输出的函数:

还记得前面我们用泰勒级数还原函数吗?同样的思路可以推广到多变量函数。

多元泰勒展开

对于二元函数,在 (0, 0) 处的泰勒展开开头是:

f(x, y) = f(0, 0) + (∂f/∂x)x + (∂f/∂y)y + 高阶项

由于原点不动,f(0, 0) = 0。

求偏导数之前还有一点。旋转是线性变换,所以它的变化率处处相同。这意味着我们可以直接从各坐标轴上的单位步长读出来:

x 增加不改变 x′,所以 ∂f/∂x = 0。

y 增加一,x′ 增加一,所以 ∂f/∂y = 1。

对 g(x, y) 重复同样的过程。x 增加一,y′ 减少一;而 y 增加不改变 y′。因此:

就这样!我们的顺时针 90 度旋转就是:

我们还可以把这些偏导数排成一个矩阵,叫做雅可比矩阵:

行对应变换后的坐标 (x′, y′),列对应原始坐标 (x, y)。

这里也有件有意思的事。第一列 (0, −1),恰好是 (1, 0) 变换后的落点。第二列 (1, 0),恰好是 (0, 1) 变换后的落点。这个矩阵就是我们的映射表,只保留了真正重要的两行。因为这个变换是线性的,所有高阶导数都是零,一阶泰勒展开给出的就是精确的变换。我们从一个简单的数字映射出发,得到了一个描述整个平面如何旋转的矩阵。这点数学,还不错吧!

那么这个矩阵拿来干什么?用它。要旋转任何一个点,只需把点乘以这个矩阵。

我们得到 (3, −2),和映射表说的完全一致。矩阵的每一行都是一个小算法,它告诉我们新的坐标里要混入多少旧的 x、多少旧的 y。好玩的地方来了。想旋转两次?把矩阵乘两次。(2, 3) 变成 (3, −2),再变成 (−2, −3)。这是转了 180 度,而我们全程没画任何东西。

有件事我觉得很迷人。这个小小的乘法,正是 PyTorch 和 JAX 这类库在训练神经网络时做的事。

唯一的区别是规模。我们的矩阵只有四个数。对于真实模型,雅可比矩阵会有数十亿个数,多到根本写不下来。所以这些库从不真正构造它。它们只是在每一步算出它对一个向量会做什么。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →