输出结果：

结果解释：Fx表示每一个点处对x的偏导，Fy表示每一个点处对y的偏导。例如函数值是6这一点处对x的偏导数为3，对y的偏导数为-1，这一点处的梯度为(3,-1). 【注意偏导数是一个数，梯度是一个向量，既有大小又有方向。】

一开始我很疑惑，这里我不懂为啥是这个样子，为啥不是像上面说离散一元函数求导那样有:gradient(y)./gradient(x) 这个只有函数值矩阵呀？也就是只有函数值呀，为啥只对函数值进行了差分，没有gradient(F)./gradient(x)没有gradient(F)./gradient(y)？直接gradient(F)就是梯度了？ 菜鸡果然是菜鸡… 然后看了一下gradient()函数的用法…哦！是这样的：

自变量之间的距离默认为1了，也就是gradient(自变量)=1，所以直接gradient(F)就是梯度值了。 所以如果有一天，小菜鸡获得了一个离散函数值矩阵F，但函数值对应的自变量之间的间距不是1，而是其他的比如是10，那么就要设置一下自变量的间距，具体的语法是：[FX,FY] = gradient(F,hx,hy)其中hx表示自变量1的间距，hy表示自变量2的间距。

在CSDN上看到这样一个例子，题主发出来的例子还没有解答：

我想求以下坐标点构成的曲面的偏导数，不是先拟合出函数再求，而是对离散点用差分法求，不知道怎么操作，希望能得到解答

x=linspace(4.97,7.47,12);

y=linspace(1.34,3.84,12);

z=[0.798244 0.901491 1.017275 1.143169 1.278748 1.428146 1.598996 1.798642 2.0272 2.268551 2.513092 2.750643

0.864101 0.977688 1.104656 1.241846 1.387899 1.546248 1.723809 1.927275 2.156333 2.395788 2.633801 2.856417

0.929699 1.053369 1.190896 1.338288 1.493399 1.659119 1.841813 2.047668 2.276033 2.512622 2.742516 2.953214

0.995203 1.128478 1.275511 1.43147 1.59371 1.764847 1.950888 2.157592 2.383908 2.61635 2.838233 3.040193

1.061214 1.203453 1.358655 1.521291 1.688612 1.863258 2.051027 2.257252 2.480391 2.70764 2.922821 3.118565

1.128837 1.279329 1.441344 1.608944 1.779682 1.956419 2.144821 2.349791 2.569286 2.791146 3.000813 3.191565

1.199633 1.357596 1.525108 1.696229 1.869132 2.046962 2.235288 2.438578 2.654342 2.871077 3.075895 3.262051

1.274609 1.439139 1.610884 1.784329 1.958437 2.136621 2.324363 2.52569 2.737744 2.949703 3.149976 3.331591

1.353984 1.524095 1.698945 1.873801 2.04842 2.226431 2.413232 2.612413 2.820842 3.028366 3.224094 3.401016

1.437333 1.612043 1.789093 1.964729 2.139381 2.316857 2.502464 2.699384 2.904298 3.107622 3.298604 3.470585

1.523777 1.702221 1.880829 2.056847 2.23122 2.407915 2.592147 2.786734 2.988225 3.187417 3.373362 3.540142

1.612192 1.7937 1.973482 2.149662 2.323561 2.499308 2.682023 2.874214 3.072324 3.267271 3.447892 3.609262];

解答：

注意，这里需要使用的就是gradient(F)./gradient(自变量)了！ 输出结果：