docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,157 @@
|
||||
---
|
||||
id: wiki-2026-0508-pooling
|
||||
title: Pooling
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Max Pooling, Average Pooling, Global Pooling]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [deep-learning, cnn, pooling, downsampling]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: pytorch
|
||||
---
|
||||
|
||||
# Pooling
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 spatial/sequence dimension downsample — invariance + receptive field 확대."**. CNN 시대의 staple (max/avg pool), 매 modern Transformer는 거의 안 씀 (strided conv 또는 attention pooling). Global pool은 여전히 classification head 표준.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 종류
|
||||
- **Max Pooling**: window 내 max — translation invariance, edge-preserve.
|
||||
- **Average Pooling**: window 평균 — smooth, all-pixel contribute.
|
||||
- **Global Average Pooling (GAP)**: 매 entire feature map → 단일 값. ResNet/EfficientNet head.
|
||||
- **Adaptive Pooling**: output size fix → input size 무관 (PyTorch `AdaptiveAvgPool2d`).
|
||||
- **Attention Pooling**: weighted sum, learned weights — ViT [CLS] 또는 perceiver.
|
||||
- **L_p Pooling, Stochastic Pooling, Mixed Pooling**: less common, occasionally robust.
|
||||
|
||||
### 매 왜 사용
|
||||
- **Downsampling**: spatial size 줄여 compute / params 감소.
|
||||
- **Invariance**: small translation에 robust.
|
||||
- **Receptive field 확대**: deeper layer가 wider context 봄.
|
||||
- **Overfitting 방지**: parameter-free regularization 효과.
|
||||
|
||||
### 매 modern shift
|
||||
- 2020+ Transformer 시대 — 매 pool 자리에 strided conv (stage transition) 또는 patch merging (Swin) 또는 attention pooling.
|
||||
- ConvNeXt도 strided conv 사용.
|
||||
- GAP은 classification head에서 여전히 universal.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Max / Avg pool 기본
|
||||
```python
|
||||
import torch.nn as nn
|
||||
maxp = nn.MaxPool2d(kernel_size=2, stride=2) # H,W /2
|
||||
avgp = nn.AvgPool2d(kernel_size=2, stride=2)
|
||||
```
|
||||
|
||||
### Global Average Pooling (classification head)
|
||||
```python
|
||||
import torch.nn as nn
|
||||
class Head(nn.Module):
|
||||
def __init__(self, c, n_cls):
|
||||
super().__init__()
|
||||
self.gap = nn.AdaptiveAvgPool2d(1)
|
||||
self.fc = nn.Linear(c, n_cls)
|
||||
def forward(self, x): # x: (B, C, H, W)
|
||||
x = self.gap(x).flatten(1) # (B, C)
|
||||
return self.fc(x)
|
||||
```
|
||||
|
||||
### Adaptive pool (variable input size)
|
||||
```python
|
||||
import torch, torch.nn as nn
|
||||
pool = nn.AdaptiveAvgPool2d((7, 7)) # 항상 7x7 output
|
||||
x = torch.randn(2, 64, 33, 41) # 임의 spatial
|
||||
y = pool(x) # (2, 64, 7, 7)
|
||||
```
|
||||
|
||||
### Attention Pooling (ViT [CLS])
|
||||
```python
|
||||
import torch, torch.nn as nn
|
||||
class AttnPool(nn.Module):
|
||||
def __init__(self, d, heads=8):
|
||||
super().__init__()
|
||||
self.q = nn.Parameter(torch.randn(1, 1, d))
|
||||
self.attn = nn.MultiheadAttention(d, heads, batch_first=True)
|
||||
def forward(self, x): # x: (B, N, D)
|
||||
B = x.size(0)
|
||||
q = self.q.expand(B, -1, -1)
|
||||
out, _ = self.attn(q, x, x)
|
||||
return out.squeeze(1) # (B, D)
|
||||
```
|
||||
|
||||
### Patch Merging (Swin Transformer)
|
||||
```python
|
||||
import torch, torch.nn as nn
|
||||
class PatchMerging(nn.Module):
|
||||
def __init__(self, dim):
|
||||
super().__init__()
|
||||
self.norm = nn.LayerNorm(4*dim)
|
||||
self.reduction = nn.Linear(4*dim, 2*dim, bias=False)
|
||||
def forward(self, x): # x: (B, H, W, C)
|
||||
x0 = x[:, 0::2, 0::2, :]; x1 = x[:, 1::2, 0::2, :]
|
||||
x2 = x[:, 0::2, 1::2, :]; x3 = x[:, 1::2, 1::2, :]
|
||||
x = torch.cat([x0,x1,x2,x3], -1)
|
||||
return self.reduction(self.norm(x))
|
||||
```
|
||||
|
||||
### 1D pool (sequence / audio)
|
||||
```python
|
||||
import torch.nn as nn
|
||||
pool1d = nn.MaxPool1d(kernel_size=4, stride=4) # (B, C, T) -> (B, C, T/4)
|
||||
gap1d = nn.AdaptiveAvgPool1d(1)
|
||||
```
|
||||
|
||||
### Set/Graph pooling (mean/max/sum)
|
||||
```python
|
||||
import torch
|
||||
def set_mean(x, mask): # x:(B,N,D), mask:(B,N)
|
||||
m = mask.unsqueeze(-1).float()
|
||||
return (x*m).sum(1) / m.sum(1).clamp(min=1)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Classification final feature | Global Avg Pooling |
|
||||
| Variable input image | AdaptiveAvgPool2d |
|
||||
| Edge-preserve detection | Max Pool 또는 strided conv |
|
||||
| Transformer stage transition | Patch merging / strided conv |
|
||||
| Set/sequence aggregation | Attention pool |
|
||||
| Audio waveform | 1D max/avg pool 또는 strided conv |
|
||||
|
||||
**기본값**: feature map → GAP, downsample → strided conv (modern).
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Deep Learning]]
|
||||
- 변형: [[Max_Pooling]] · [[Average_Pooling]]
|
||||
- 응용: [[Image-Classification-Mastery]] · [[ResNet]] · [[ViT]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: CNN backbone에서 spatial reduce, classification head GAP, set/graph aggregation.
|
||||
**언제 X**: dense prediction (segmentation, detection)에서 매 정보 손실 — skip connection 결합 또는 dilated conv 고려.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Pool then upsample for segmentation without skip**: 매 detail 손실. U-Net skip 사용.
|
||||
- **MaxPool everywhere in modern arch**: 매 strided conv가 매 학습 가능 — 거의 dominant.
|
||||
- **Flatten without GAP**: classification head fully-connected로 들어가면 매 huge params + overfit.
|
||||
- **Pool over tokens with [CLS] available**: attention pool 또는 [CLS] readout 매 better.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (PyTorch docs nn.MaxPool2d, AdaptiveAvgPool, Swin Transformer paper, ConvNeXt paper).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — pooling types + modern shift to strided conv / attention pool |
|
||||
Reference in New Issue
Block a user