不可导怎么泰勒展开

泰勒展开的前提是“函数足够光滑”（可导，甚至二阶可导）。但真实世界里到处是“不可导”的函数，怎么办？

答案是：用其他工具替代泰勒展开。我们分三个层次来说。

层次一：为什么不可导就没法用泰勒？

泰勒展开的本质是用多项式去匹配各阶导数。

• 一阶近似需要 (f’(x_0)) 存在
• 二阶近似需要 (f’'(x_0)) 存在

如果函数在某个点尖刺、折断、有角，导数根本不存在，那泰勒展开就没有意义（不能直接套用）。

例：(f(x) = |x|) 在 (x=0) 处

• 左导数 = -1，右导数 = +1
• 导数不存在 → 无法写出泰勒展开

层次二：那怎么近似不可导的函数？

方法 1：分段处理

把不可导点当作分界点，在每一段内部函数是光滑的，分别泰勒展开。

例：(f(x) = |x|)

• (x<0)：(f(x) = -x)，泰勒就是它自己
• (x>0)：(f(x) = x)，泰勒也是它自己
• 在 (x=0) 处不展开，只做左右极限

这是工程上最常用的方法：避开“坏点”。

方法 2：用次导数 / 次梯度（优化领域）

对于凸但不可导的函数（如 (|x|)、ReLU），有次导数的概念：

• 在 (x=0) 处，(f(x)=|x|) 的次导数是 ([-1, 1])（任何介于 -1 和 1 之间的数都可以算“广义斜率”）

机器学习里的ReLU（max⁡(0,x)\max(0,x)max(0,x)）在 (x=0) 也不可导，但实践中直接取 0 或 1 作为“伪导数”，就是用了次梯度思想。

方法 3：数值差分（不要解析导数）

如果你没有公式，只有函数值，可以用差商代替导数：

f′(x0)≈f(x0+h)−f(x0)h f'(x_0) \approx \frac{f(x_0+h) - f(x_0)}{h}f′(x0​)≈hf(x0​+h)−f(x0​)​
即使函数在 (x_0) 不可导，这个差分仍然有定义，只是不收敛到唯一值。

这是计算机做近似优化的常用手段。

层次三：泰勒展开的地位——光滑函数的特权

泰勒展开是“光滑函数”的专属利器。遇到不可导，就要换工具。

真实案例：机器学习中的 ReLU

ReLU 函数：(f(x) = \max(0, x))

• (x<0)：(f=0)，导数为 0
• (x>0)：(f=x)，导数为 1
• (x=0)：不可导

实践中怎么用泰勒？
不直接用。而是：

1. 在 (x\neq 0) 时用一阶近似
2. 在 (x=0) 处人为规定“次导数”为 0 或 1（通常取 0）
3. 这称为次梯度下降，是深度学习的标准做法

本质：放弃严格的泰勒展开，改用广义的“近似更新规则”。

一句话总结

泰勒展开要求函数可导。如果不可导，你有三条路：
1️⃣ 避开坏点，分段展开
2️⃣ 用次导数（广义斜率）
3️⃣ 用数值差分代替导数

现实世界不总是光滑的，所以我们需要一整套**“不需要导数”的近似工具**。

我们直接算一个不可导函数f(x)=∣x∣f(x) = |x|f(x)=∣x∣在x0=0x_0 = 0x0​=0附近的例子。

你会看到：泰勒展开在这里彻底失效，但数值差分仍然能给你一个“能用的近似”。

第一步：为什么泰勒展开失效？

在x0=0x_0 = 0x0​=0处：

• 左导数：lim⁡x→0−∣x∣−0x=−xx=−1\lim_{x \to 0^-} \frac{|x| - 0}{x} = \frac{-x}{x} = -1limx→0−​x∣x∣−0​=x−x​=−1
• 右导数：lim⁡x→0+∣x∣−0x=xx=1\lim_{x \to 0^+} \frac{|x| - 0}{x} = \frac{x}{x} = 1limx→0+​x∣x∣−0​=xx​=1

导数不存在 → 无法写出f(0)+f′(0)⋅Δxf(0) + f'(0) \cdot \Delta xf(0)+f′(0)⋅Δx。

强行“假装”可导会怎样？
如果你硬选一个“伪导数”（比如取 0），你得到：
f(0.1)≈0+0×0.1=0 f(0.1) \approx 0 + 0 \times 0.1 = 0f(0.1)≈0+0×0.1=0
但真实值是0.10.10.1→ 误差 100%。

第二步：用数值差分（不要解析导数）

数值差分不依赖导数存在，只依赖函数值。

前向差分公式：

f′(0)≈f(0+h)−f(0)h f'(0) \approx \frac{f(0+h) - f(0)}{h}f′(0)≈hf(0+h)−f(0)​

取h=0.1h = 0.1h=0.1：
∣0.1∣−00.1=0.10.1=1 \frac{|0.1| - 0}{0.1} = \frac{0.1}{0.1} = 10.1∣0.1∣−0​=0.10.1​=1

取h=−0.1h = -0.1h=−0.1（从左逼近）：
∣−0.1∣−0−0.1=0.1−0.1=−1 \frac{|-0.1| - 0}{-0.1} = \frac{0.1}{-0.1} = -1−0.1∣−0.1∣−0​=−0.10.1​=−1

结果不同，但这恰好反映了真实情况：左、右斜率不同。

第三步：用差分结果做“类泰勒近似”

我们想预测f(0.1)f(0.1)f(0.1)，但0.1>00.1 > 00.1>0，所以用右差分得到的斜率111更合理。

构造“数值一阶近似”：
f(0.1)≈f(0)+(右差分)×0.1=0+1×0.1=0.1 f(0.1) \approx f(0) + (\text{右差分}) \times 0.1 = 0 + 1 \times 0.1 = 0.1f(0.1)≈f(0)+(右差分)×0.1=0+1×0.1=0.1
✅ 完全精确！（因为∣x∣|x|∣x∣在x>0x>0x>0就是直线）

如果预测f(−0.1)f(-0.1)f(−0.1)，用左差分 (-1)：
f(−0.1)≈0+(−1)×(−0.1)=0.1 f(-0.1) \approx 0 + (-1) \times (-0.1) = 0.1f(−0.1)≈0+(−1)×(−0.1)=0.1
真实值也是0.10.10.1✅

第四步：如果函数更“不可导”呢？

考虑f(x)=∣x∣0.5f(x) = |x|^{0.5}f(x)=∣x∣0.5在x=0x=0x=0附近（尖刺更严重）

❌ 误差巨大，因为函数不是线性的，即使做了差分，一阶近似在更大步长下仍然失败。

第五步：结论对比表（以x=0.04x=0.04x=0.04为例）

一句话总结

泰勒展开在不可导点直接崩溃。
数值差分能给你一个“伪斜率”，用它做的线性近似在不可导点附近可能有用，但如果函数在局部非线性很强（如∣x∣\sqrt{|x|}∣x∣​），线性近似会迅速失效。
真正的解决办法是：避开坏点，或者用更复杂的非光滑优化方法（次梯度、近端算子等）。