來源｜王贇 Maigo@知乎，https://zhuanlan.zhihu.com/p/35323714
本文僅作學術分享，如有侵權，請聯繫後臺作刪文處理。
一、入門
圖中的細實線箭頭表示了四種一階微分運算，包括梯度、散度、旋度和 Jacobian。每條箭頭的起點表示了相應運算的自變量的類型，終點表示了相應運算的因變量的類型，例如梯度運算是作用在標量上的，結果是向量。圖中的「向量」默認爲列向量。
這四種一階微分運算可以統一用算符 （讀作 nabla）表示。Nabla 算符是一個形式向量 ，它可以如下地作用於標量 或向量 上：
直接與標量 相乘，得到 的梯度 。
與向量 點乘，得到 的散度 。本文把點乘用矩陣乘法的形式寫作 。
與向量 叉乘，得到 的旋度 。
若允許偏導算符寫在變量的右邊，則 就可以表示 的 Jacobian。
圖中的粗實線箭頭表示了兩種二階微分運算，它們可以由兩個一階微分運算組合而成，即：
梯度的散度就是 Laplacian；
梯度的 Jacobian 就是 Hessian。
圖中的虛線箭頭表示了一種不涉及微分的運算（跡）。在微分運算之後接上「跡」運算，可能得到另一種微分運算，如：
Jacobian 的跡就是散度；
Hessian 的跡就是 Laplacian。
二、入迷
圖中的四種一階微分運算兩兩搭配，一共可以得到 7 種二階微分運算。第一節的圖中畫出了兩種，本節的圖中畫出了另外五種（淺藍色與灰色）。這五種二階微分運算並沒有特別的名字，但其中有兩種是恆等於 0 的：
梯度的旋度恆爲零向量；
旋度的散度恆爲 0。
其中，「梯度無旋」可以用下面的圖形象說明（圖片來自@得分的）：
如果梯度有旋會怎麼樣？
三、入魔
Laplacian 是一個作用於標量的二階微分運算，其結果也是標量。但我們也可以把它作用於一個向量的每一個元素，得到一個向量；這種運算稱爲向量 Laplacian。
Laplacian 運算作用於標量 上的結果可以用 nabla 算符寫成 。這種寫法無法直接推廣到向量 Laplacian，因爲 裏 無法直接跟 做矩陣乘法。但如果允許偏導算符寫在變量右邊，那就可以把向量 Laplacian 表示成 。這是 Jacobian 運算與「矩陣右乘 」運算的複合；後者的效果是對矩陣的每一行求散度。圖中恰好有一個爲「逐行散度」運算準備的空位，我們把它補充到圖中。
向量 Laplacian 的結果，恰好等於「散度的梯度」與「旋度的旋度」之差。爲了體現出這種關係，我把「從向量到向量」的三種二階微分運算改用橙紅色箭頭表示。
四、入土
既然引入了「逐行散度」這個一階微分運算，那就索性把它能組合出來的二階微分運算也全都放到圖裏去吧！這樣就得到了一個完美對稱的圖，它包含了 11 種二階微分運算，其中：
有兩種比較常見：Laplacian 和 Hessian；
有兩種恆等於零：「梯度的旋度」和「旋度的散度」；
有三種滿足減法關係：向量 Laplacian = 散度的梯度 - 旋度的旋度；
剩下的四種沒有專門的名字，也很罕見。
其中任何一種微分運算後面接上「跡」，都可以得到另一種同階微分運算：
Jacobian 的跡就是散度；
Hessian 的跡就是 Laplacian；
旋度的 Jacobian 的跡就是旋度的散度，恆等於 0；
矩陣逐行散度的 Jacobian 的跡，就是它的逐行散度的散度。
但需要注意只能在運算之後接上「跡」，在運算之前接「跡」是不行的，比如矩陣的跡的梯度不等於它的逐行散度。
如果有讀者知道圖中幾種沒有名字的運算叫什麼名字、有什麼用途，或者在圖中內容之外還有什麼值得包括進來的微分運算，歡迎補充。
覺得有用麻煩給個在看啦~
