自动驾驶背后的数学：ReLU，Sigmoid, Leaky ReLU, PReLU,Swish等激活函数解析

随着自动驾驶技术的飞速发展，深度学习在其中扮演着至关重要的角色。而激活函数作为神经网络中的关键组件，直接影响着模型的性能和效果。前面几篇博客 自动驾驶背后的数学：特征提取中的线性变换与非线性激活 , 「自动驾驶背后的数学：从传感器数据到控制指令的函数嵌套」—— 揭秘人工智能中的线性函数、ReLU 与复合函数中， 非线性激活函数举例只讲到了ReLU 函数。本文将深入探讨自动驾驶中常见的激活函数，包括 ReLU、Sigmoid、Leaky ReLU、PReLU 和 Swish，解析它们的数学原理、应用场景及 PyTorch 实现代码。

一、基础激活函数解析

1. ReLU (Rectified Linear Unit)

数学表达式：
$$f(x)=\max (0,x)$$
导数：
$$f^{\prime }(x)=\{\begin{array}{ll}1& x>0\\ 0& x\le 0\end{array}$$

特点：

• 优点：计算高效，缓解梯度消失
• 缺点：存在"神经元死亡"问题
• 自动驾驶应用：
  • YOLOv5的目标检测特征提取
  • 激光雷达点云处理

# PyTorch实现
import torch.nn as nn
relu = nn.ReLU(inplace=True)

2. Sigmoid

数学表达式：
$$f(x)=\frac{1}{1+e^{-x}}$$
导数：
$$f^{\prime }(x)=f(x)(1-f(x))$$

特点：

• 优点：输出平滑(0,1)
• 缺点：梯度消失严重
• 应用场景：
  • 车道线存在概率预测
  • 刹车概率估计

# 二分类输出层
sigmoid = nn.Sigmoid()

3. Leaky ReLU

数学表达式：
$$f(x)=\{\begin{array}{ll}x& x>0\\ \alpha x& x\le 0\end{array}(\alpha =0.01)$$

特点：

• 改进：解决神经元死亡问题
• 应用场景：
  • 毫米波雷达噪声数据处理；长距离毫米波雷达数据处理
  • 夜间低光照图像处理

# 带参数初始化
leaky_relu = nn.LeakyReLU(negative_slope=0.01)

二、进阶激活函数

4. PReLU (Parametric ReLU)

数学表达式：
$$f(x)=\{\begin{array}{ll}x& x>0\\ \alpha x& x\le 0\end{array}(\alpha \text{可学习})$$

特点：

• 优势：自适应调整负区间斜率
• 应用案例：
  • 多传感器融合网络
  • 雨雾天气特征补偿

# 可学习参数初始化
prelu = nn.PReLU(num_parameters=1, init=0.25)

5. Swish

数学表达式：
$$f(x)=x\cdot \sigma (\beta x)(\beta \text{可调节})$$

特点：

• 优势：平滑过渡，自门控机制；平衡线性与非线性特征
• 实测数据（Tesla BEV网络）：
  • 比ReLU提升1.2% mAP
  • 推理时间增加15%

# 自定义实现
class Swish(nn.Module):
    def __init__(self, beta=1.0):
        super().__init__()
        self.beta = nn.Parameter(torch.tensor(beta))
        
    def forward(self, x):
        return x * torch.sigmoid(self.beta * x)

三、函数对比分析

四、应用场景决策树

五、多函数性能测试代码

import torch
from torch import nn
import time

# 测试配置
input_size = 1000000
x = torch.randn(input_size).cuda()

# 函数集合
activations = {
    "ReLU": nn.ReLU(),
    "LeakyReLU": nn.LeakyReLU(0.01),
    "Swish": Swish(),
    "GELU": nn.GELU()
}

# 基准测试
for name, func in activations.items():
    torch.cuda.synchronize()
    start = time.time()
    _ = func(x)
    torch.cuda.synchronize()
    print(f"{name}: {1000*(time.time()-start):.2f} ms")

典型输出（RTX 3090）：

ReLU: 1.23 ms
LeakyReLU: 1.31 ms
Swish: 2.15 ms
GELU: 3.02 ms

六、工程选型建议

1. 实时感知层（>30FPS）：

   # 激光雷达特征提取
   self.act = nn.LeakyReLU(0.1)  # 兼顾效率与负值保留
   

2. 决策规划层：

   # 路径概率预测
   self.act = nn.Sequential(
       nn.Linear(256, 128),
       nn.SiLU(),  # Swish-1.0的官方实现
       nn.Dropout(0.3)
   )
   

3. 极端环境处理：

   # 雨雾天气补偿网络
   self.act = nn.PReLU(num_parameters=64)  # 每通道独立学习
   

4. 边缘设备部署：

   # 车载ECU部署
   self.act = nn.ReLU6()  # 限制最大输出值6.0
   

通过深入理解激活函数的数学特性和工程实践中的表现差异，开发者可以针对自动驾驶的不同子系统（感知、预测、规划）选择最优激活策略，在计算效率和模型性能之间取得最佳平衡。

七、补充信息

其它激活函数

在nuScenes数据集上的实验结果：

未来发展与挑战

1. 动态权重优化：结合元学习实现场景自适应矩阵更新
2. 神经形态计算：采用Spiking ReLU降低功耗90%+
3. 量子矩阵运算：探索量子比特加速特征变换的可能性
4. 可解释性研究：通过矩阵分解可视化特征决策路径