我们在一元微积分中对如下的微分算子都很熟悉：和，差，积，商的微分公式
我们现在重新引入此符号的原因是我们不仅要接受与变量X有关的导数，还需要其它更多变量的导数，所以需要一些明确的符号来区分哪个变量
现在假设我们有一个同时依赖于X和Y的函数，我们将其称为f(x,y)，这最终将称为曲面而不是曲线
那么这个曲面的变化率是多少，我们要做的就是找到它的变化率，如果想要找到X的变化率，我们仅将Y作为常数，以此区分作为变量的X，我们使用弯曲的D代替常规的D，这称之为偏导数
同样，如果我们想要Y方向的变换量，这将是关于y的偏导数，在这种情况下，我们会将X视作常数
如下是一个示例：关于X和Y的偏导数
现在，我们将介绍一个结合了这些偏导数，即所谓的梯度，函数的梯度只是一个向量，它有所有的偏导数组成
我们可以写成gradf
如果在三个维度上，梯度就是
这个向量它指向函数最大变化的方向，并等于最大变化率的幅度
这个有关向量的偏导数，即梯度用倒置的三角形表示，称为del
