與所有基於梯度的優化算法一樣，Ceres Solver依賴於能夠在其域中的任意點評估目標函數及其導數。實際上，定義目標函數及其雅可比矩陣是用戶在使用Ceres Solver求解優化問題時需要執行的主要任務。正確有效地計算雅可比矩陣是獲得良好性能的關鍵。
Ceres Solver在用戶如何爲求解器提供導數方面提供了相當大的靈活性。可以用：
Analytic Derivatives：用戶自己手工或使用Maple或Mathematica等工具來求導，並在CostFunction中實現它們。
Numeric Derivatives：Ceres使用有限差分在數值上計算導數。
Automatic Derivatives：Ceres使用C ++模板和運算符重載自動計算分析導數。
建議
Analytic Derivatives實現CostFunction對象有點單調乏味。除非你能夠自己計算好雅可比矩陣。
Numeric Derivatives代價較大，導致收斂速度變慢。
Automatic Derivatives已經能夠滿足絕大多數的使用場景，建議使用該法。
應該使用這三種方法中的哪一種（單獨或組合）取決於用戶面對的情況和作出的權衡。