평균 풀링(Average Pooling)이란? AI에서 구역별 평균으로 특징 맵을 요약하는 방법
TL;DR
평균 풀링은 특징 맵의 작은 구역마다 값의 합을 정해진 개수로 나눠 공간 정보를 요약하는 연산입니다. 각 채널을 따로 처리하며 학습할 필터 가중치는 없습니다. 창 크기와 보폭은 출력 격자를, 패딩을 평균에 포함하는 규칙은 경계의 값을 바꿉니다. 최댓값 선택이나 채널 전체의 전역 평균과 구별하고, 작은 반응의 희석·정보 손실·라이브러리 기본값을 함께 확인합니다.[1][2][4][5]
핵심 3줄 요약
- 핵심 1
구역의 값을 고르게 합칩니다. 일반적인 내부 창에서는 합을 원소 수로 나누며 강한 한 점만 고르지 않습니다. - 핵심 2
창과 이동 간격을 나눠 봅니다. 같은 창도 보폭·패딩이 달라지면 출력 크기와 경계값이 달라집니다. - 핵심 3
평균의 분모를 확인합니다. 가장자리에 붙인 0을 셀지에 따라 같은 입력·같은 출력 모양에서도 값이 달라집니다.
이 글에서 다룰 내용
- 평균 풀링의 한 문장 정의
- 네 구역의 합과 분모로 이해하는 계산
- 특징 맵을 요약하는 이유와 작동 순서
- 창·보폭·패딩·입력 축과 출력 크기
- 최대 풀링·전역 평균·합성곱과의 차이
- 작은 배열과 모델 이식의 점검 순서
- 희석·경계·복원 한계와 자주 묻는 질문
평균 풀링을 한 문장으로 정의하면 무엇인가요?
평균 풀링은 각 입력 채널에서 공간 창을 옮기며 창에 들어온 값들의 평균을 출력 위치 하나에 기록하는 요약 연산입니다. 영문명은 Average Pooling이며 여기서는 높이와 너비를 다루는 2차원 공간 풀링을 설명합니다. 입력은 원본 밝기뿐 아니라 앞선 신경망 층이 계산한 특징 반응일 수도 있습니다.[1][2][3]
가장 단순한 경우는 입력 안에 완전히 들어오는 2×2 창입니다. 네 값을 더한 뒤 4로 나눕니다. 여러 채널이 있으면 채널마다 같은 공간 규칙을 따로 적용하며 이 연산만으로 채널 사이의 값을 섞거나 새 필터를 학습하지 않습니다.[1][2]
가장자리에서는 평균이라는 이름만으로 계산이 하나로 정해지지 않습니다. 바깥에 붙인 0까지 개수에 넣을지, 실제 입력 원소만 셀지 확인해야 합니다. PyTorch에는 나눌 수를 직접 덮어쓰는 설정도 있어 모든 출력을 무조건 창 넓이로 나눈다고 설명하면 틀릴 수 있습니다.[1][4]
한 줄 정리: 평균 풀링은 창마다 합과 분모로 값을 요약합니다. 무엇을 더하고 몇으로 나눴는지 함께 확인합니다.
쉬운 예시로 이해해 볼까요?
감자나라ai님이 설명용으로 한 채널의 4×4 배열을 준비했다고 가정하겠습니다. 위에서부터 행을
[1,3,2,6]
,
[5,7,4,8]
,
[2,2,0,4]
,
[6,6,8,8]
로 둡니다. 창은 2×2, 가로·세로 보폭은 2이며 패딩은 없습니다.
왼쪽 위는
1+3+5+7=16
이므로 평균은
16/4=4
입니다. 오른쪽 위는
2+6+4+8=20
을 4로 나눠 5입니다. 아래 두 구역도 계산하면 출력의 두 행은
[4,5]
와
[4,5]
입니다. 공간의 값 16개가 4개로 줄었지만 채널 수는 그대로입니다.
같은 배열에서 최대 풀링을 하면 출력 행은
[7,8]
과
[6,8]
입니다. 평균은 구역 전체의 수치를 섞고 최대는 큰 값 하나를 남겼습니다. 창 안에
[0,0,0,16]
이 있어도 평균은 4입니다. 네 값이 모두 4인 창과 결과가 같으므로 평균 하나로 원래 배열을 알아낼 수 없습니다.
경계의 분모도 따로 보겠습니다. 실제 입력이 2×2이고 네 값이 모두 4일 때, 창 2×2·보폭 1·사방 1칸의 0 패딩을 둡니다. 맨 왼쪽 위 출력 창에는 실제 값 4 하나와 패딩 0 세 개가 들어갑니다. 패딩까지 세면
4/4=1
, 실제 원소만 세면
4/1=4
입니다. 같은 모양의 출력이라도 경계값은 다릅니다.[1][4]
이 예시와 아래 크기 계산은 Python 표준 라이브러리로 검산한 교육용 산술입니다. PyTorch·Keras·TensorFlow·ONNX 런타임을 실행하거나 인식 모델을 학습한 결과는 아닙니다. 특히 경계 예시는 분모 규칙을 분리해 설명하려고 정한 조건입니다.
쉬운 예시: 구역별 합계를 그 구역에서 센 개수로 나눠 기록하는 방식입니다. 빈자리를 0점짜리 항목으로 세는지부터 정해야 경계의 평균이 일치합니다.
왜 AI에서 평균 풀링이 중요한가요?
공간의 여러 반응을 한 값으로 요약합니다
보폭이 있는 평균 풀링은 뒤쪽 층이 받는 특징 맵의 공간 크기를 줄이는 데 쓰입니다. 위 예시처럼 구역별 평균을 남기면 한 점의 강한 반응과 주변의 작은 반응이 함께 계산됩니다. 실제 과제와 학습 결과에서 이 요약이 도움이 되는지 판단하고 작은 결함처럼 희미한 단서가 중요한 경우는 따로 살펴봅니다.[1][2]
모델 이식에서 같은 평균의 조건을 확인합니다
프레임워크를 바꾸거나 ONNX로 내보낼 때 출력 높이·너비만 비교하면 경계의 차이를 놓칠 수 있습니다. PyTorch AvgPool2d는 기본적으로 패딩 0을 평균에 포함하지만 ONNX AveragePool의 count_include_pad 기본값은 0입니다. 변환기가 설정을 어떻게 기록했는지 확인해야 하며 기본값 차이가 곧 모든 변환의 오류라는 뜻은 아닙니다.[1][4]
핵심 인사이트: 평균의 차이는 더하는 값뿐 아니라 나누는 수에서도 생깁니다. 가운데와 가장자리 출력을 따로 비교하세요.
평균 풀링은 어떤 순서로 작동하나요?
1. 채널과 공간 창을 정합니다
배치·채널·높이·너비의 축을 확인하고 공간 창의 크기를 정합니다. 이 글의 2차원 풀링은 채널별 계산입니다. 두 채널이 각각 모두 4와 모두 8인 배열이라면 패딩 없는 내부 창의 평균도 각각 4와 8이며 채널을 합쳐 6으로 만들지 않습니다.[1][2]
2. 창의 합을 정한 분모로 나눕니다
내부의 완전한 창은 일반적으로 높이와 너비를 곱한 원소 수로 나눕니다. 경계에서는 패딩 포함 여부를 적용합니다. 실제 데이터 안의 0과 바깥에 붙인 패딩 0은 구별합니다. 패딩을 빼는 설정도 원래 입력의 0까지 결측값처럼 제외하지는 않습니다.[1][4]
3. 보폭만큼 옮겨 다음 출력을 기록합니다
보폭이 1이면 이웃 창이 겹칠 수 있습니다. 보폭이 창 크기와 같으면 패딩 없는 예시에서 구역들이 겹치지 않습니다. 같은 4×4 입력에 2×2 창을 써도 보폭 1은 3×3 출력, 보폭 2는 2×2 출력입니다. 평균을 내는 범위와 다음 출력을 계산하는 간격을 구별합니다.[1][2]
실전 팁: 출력 한 칸에 들어간 입력 좌표·합·분모를 적어 보세요. 크기만 맞는 구현과 숫자까지 같은 구현을 구분하기 쉽습니다.
주요 설정과 결과는 어떻게 읽나요?
창 크기·보폭·출력 크기를 구별합니다
PyTorch는
kernel_size
와
stride
, Keras는
pool_size
와
strides
를 씁니다. 두 문서에서 보폭을 생략하면 창 크기를 따릅니다. 반면 ONNX AveragePool은 strides 생략 시 각 축에서 1을 씁니다. 이름이 비슷해도 기본값을 그대로 옮기지 않습니다.[1][2][4]
패딩 없는 한 축에서 입력 길이가 L, 창 크기가 k, 보폭이 s일 때 출력 길이는
floor((L-k)/s)+1
입니다. L이 5, k가 2, s가 2이면 길이는 2라서 마지막 입력 위치가 어떤 창에도 들어오지 않습니다. PyTorch의
ceil_mode=True
는 끝 창을 허용하는 크기 규칙을 바꾸며 오른쪽 패딩에서 시작하는 창은 제외합니다.[1][2]
패딩 포함과 분모 덮어쓰기를 따로 봅니다
PyTorch 기본값은
count_include_pad=True
이며 False로 두면 패딩을 평균 개수에서 뺍니다.
divisor_override
에 정수를 지정하면 그 수를 분모로 사용합니다. 예를 들어 내부 창
[1,3,5,7]
의 합 16을
divisor_override=2
로 나누면 8이므로 보통의 평균 4와 다릅니다.[1]
ONNX AveragePool 22의
count_include_pad=0
은 경계에서 패딩 원소를 세지 않는 기본값입니다.
pads
는 각 공간 축의 시작쪽 값들을 먼저 적고 끝쪽 값들을 이어 적습니다.
dilations
도 문서에 있지만 PyTorch AvgPool2d 생성자에는 같은 인자가 없습니다. 한 API의 설정을 다른 API의 공통 기능으로 가정하지 않습니다.[1][4]
same과 입력 축을 이름만으로 판단하지 않습니다
Keras AveragePooling2D 페이지의 same 설명은 보폭 조건 없이 입력과 같은 크기로 적혀 있습니다. 연결된 버전의 공식 크기 구현은
floor((L-1)/s)+1
을 쓰므로 L이 5, s가 2이면 출력은 3입니다. 보폭 1일 때의 크기 유지와 모든 보폭을 혼동하지 않도록 이 글은 공식 구현으로 조건을 확인했습니다.[2][6]
PyTorch의 배치 입력은 채널이 공간 축 앞에 옵니다. Keras는
data_format="channels_last"
와
data_format="channels_first"
를 구분합니다. TensorFlow avg_pool2d의 기본값은
data_format="NHWC"
이며 NCHW도 안내합니다. 바꾸려는 것이 배열의 실제 축인지 해석 설정인지부터 확인합니다.[1][2][3]
반환값과 전역 요약을 구별합니다
여기서 다룬 평균 풀링은 평균값의 텐서를 반환합니다. 최댓값 위치를 저장하는 최대 풀링의 인자를 그대로 기대하지 않습니다. Keras GlobalAveragePooling2D는 각 채널의 공간 전체를 줄여 기본적으로 표본·채널 형태를 반환하고
keepdims=True
면 공간 축을 길이 1로 남깁니다.[1][3][5]
평균 풀링과 헷갈리는 용어는 무엇이 다른가요?
최대 풀링과의 차이
최대 풀링은 창 안의 큰 값 하나를 남기고 평균 풀링은 창 안의 여러 값을 함께 반영합니다. 기존 최대 풀링 글은 최댓값 선택·위치 인덱스·언풀링의 한계를 설명합니다. 여기서는 합과 분모, 경계 0의 포함 여부를 중심으로 평균값이 어떻게 달라지는지 살펴봅니다.
전역 평균·정규화와의 차이
국소 평균 풀링은 여러 창의 출력을 공간 격자로 남길 수 있습니다. 전역 평균은 채널의 공간 전체를 한 값으로 줄입니다. 평균을 구한다는 공통점만으로 둘을 같은 출력 형태라고 읽지 않습니다. 평균을 빼거나 분산을 조정하는 정규화와도 다르며 평균 풀링이 평균 0·분산 1을 보장하지는 않습니다.[5]
합성곱·이미지 크기 조정과의 차이
보폭 합성곱은 학습한 필터로 가중합을 계산합니다. 평균 풀링은 정해진 평균 규칙을 적용하므로 기존 합성곱 가중치를 그대로 대체하는 변환이 아닙니다. 출력이 작아진다는 이유만으로 임의의 보간·이미지 리사이즈와 같은 값이 나온다고 가정하지도 않습니다. 창·좌표·경계 규칙을 따로 비교합니다.
비교 정리: 국소 평균은 창별 합과 분모, 최대 풀링은 최댓값 선택, 전역 평균은 채널 전체의 공간 요약입니다. 출력 모양만으로 연산을 구분하지 않습니다.
실전에서는 어디에 쓰이나요?
특징 맵의 요약 단계를 읽습니다
CNN 구조표에서 평균 풀링 앞뒤의 공간 크기와 채널 수를 적으면 무엇을 줄였는지 파악하기 쉽습니다. 국소 창의 중간 요약인지 마지막 전역 요약인지도 나눠 봅니다. 평균 출력 자체는 범주 확률이나 물체 존재의 증거가 아니며 뒤쪽 예측과 평가를 거쳐 판단합니다.[1][2][5]
배포 전 경계값의 일치를 점검합니다
모델 이식에서는 일정한 값의 배열을 넣어 가운데와 모서리를 비교하는 방법이 유용합니다. 패딩 0을 세는 구현은 앞 예시의 모서리가 작아지므로 분모 차이를 찾기 쉽습니다. 이어 서로 다른 숫자와 여러 채널을 넣어 축·보폭까지 확인합니다. 이는 검증 방법 제안이며 실제 배포 도구의 동작을 재현한 결과는 아닙니다.
평균 풀링을 적용할 때 어떤 순서로 확인하나요?
1. 입력과 공간 설정을 고정합니다
입력의 배치·채널·높이·너비와 수치 범위를 적습니다. 창·보폭·패딩·끝 창 처리·패딩 포함 여부·분모 덮어쓰기 값을 함께 남깁니다. 라이브러리와 버전, ONNX의 연산 규격 버전도 기록하면 나중에 기본값 차이를 추적하기 쉽습니다.
2. 내부 창과 가장자리를 따로 검산합니다
패딩 없는 작은 배열에서 합과 분모를 먼저 맞춥니다. 다음은 일정한 값의 배열에 패딩을 주고 모서리·가장자리·가운데를 비교합니다. 홀수 길이 입력으로 끝 위치가 빠지는지 살펴보고 실제 값 0을 포함한 창도 확인합니다. 같은 출력 크기만으로 통과시키지 않습니다.
3. 전체 모델의 손실과 실행 비용을 비교합니다
작은 물체·가는 획·강한 한 점·음수와 양수가 상쇄되는 입력을 포함해 실제 과제의 오류를 봅니다. 예를 들어 두 값
[-4,4]
의 평균은 0이지만 반응이 없었던 두 0과 원래 정보는 다릅니다. 같은 평가 조건에서 확인한 예측 오류와 지연 시간·메모리를 남기며 산술적 크기 감소를 성능 향상으로 보고하지 않습니다.
사용할 때 무엇을 주의해야 하나요?
첫째, 평균 하나로 원본을 복원할 수 없습니다. 서로 다른 창이 같은 평균을 낼 수 있고 구역 안의 위치 관계도 사라집니다. 필요한 세밀한 정보가 있다면 풀링 이전 특징을 남기는 별도 경로가 필요한지 설계를 확인합니다. 평균을 다시 확대하는 것만으로 잃은 무늬가 돌아오지는 않습니다.
둘째, 작은 반응이 희석되는 경우를 확인합니다. 창이 커지면 같은 한 점의 기여가 더 많은 원소로 나뉩니다. 반대로 넓게 퍼진 반응은 평균에 계속 남습니다. 특정 잡음이 줄어드는 예시만 보고 모든 잡음 제거·모든 작은 대상의 보존을 보장하지 않습니다.
셋째, 패딩 0을 실제 관측값 0과 혼동하지 않습니다. 입력에 직접 0을 붙인 뒤 패딩 없는 연산을 하면 그 0은 실제 입력 원소로 계산됩니다. API의 패딩 원소를 제외하는 설정과 자동으로 같은 결과가 되는 것은 아닙니다. 입력을 바꾼 처리와 연산의 경계 규칙을 구별합니다.[1][4]
넷째, 평균을 낮은 해상도로 뽑는다고 모든 위치 변화나 주파수 겹침 문제가 없어지는 것은 아닙니다. 창 경계를 넘는 이동과 작은 무늬가 포함된 입력에서 실제 결과를 비교하세요. 고정된 평균 규칙 자체에는 물체 의미를 판별하는 학습이 없으므로 최종 품질은 전체 모델과 자료로 평가합니다.
주의: 평균값·출력 크기·경계 일치·인식 성능은 다른 검증 항목입니다. 하나가 맞았다고 나머지까지 맞았다고 처리하지 않습니다.
자주 묻는 질문
Q1. 평균 풀링의 가중치도 학습하나요?
이 글의 일반적인 공간 평균 풀링에는 학습할 필터 가중치가 없습니다. 창 크기와 보폭은 구조 설정이며 앞뒤 합성곱의 학습 가중치와 구별합니다.[1][2]
Q2. 2×2 창이면 무조건 4로 나누나요?
패딩 없는 완전한 창의 보통 평균은 그렇습니다. 경계의 패딩 제외나 PyTorch divisor_override를 사용하면 분모가 달라집니다. 창 크기만 보지 말고 실제 분모 규칙을 확인합니다.[1][4]
Q3. 패딩을 제외하면 입력의 0도 빼나요?
아닙니다. 패딩 원소를 개수에서 빼는 규칙입니다. 원래 데이터 안의 0은 실제 입력이므로 정상적으로 평균에 들어갑니다. 값이 0인지와 어디에서 온 원소인지는 다른 조건입니다.[1][4]
Q4. 평균 풀링이면 채널 수도 줄어드나요?
여기서 다룬 공간 풀링은 채널마다 따로 계산하므로 입력 채널 수를 유지합니다. 채널 전체를 하나로 평균내는 다른 축의 연산과 혼동하지 않습니다.[1][2][3]
Q5. 전역 평균과 작은 창의 평균은 같나요?
국소 평균은 창별 값을 남기고 전역 평균은 각 채널의 공간 전체를 요약합니다. 크기·겹침·경계 분모가 다른 국소 창들을 다시 단순 평균해도 원본의 전역 평균과 항상 같지는 않습니다.[5]
Q6. PyTorch와 ONNX는 기본값까지 같나요?
아닙니다. 확인한 문서에서 PyTorch의 생략 보폭은 창 크기이고 패딩 포함 기본값은 True입니다. ONNX AveragePool 22의 생략 보폭은 1이고 패딩 포함 기본값은 0입니다. 실제 변환 결과에 명시된 값을 먼저 읽습니다.[1][4]
출처
마무리
평균 풀링은 각 채널의 공간 구역을 합과 분모로 요약하는 연산입니다. 창·보폭은 출력 위치를, 패딩 포함과 분모 설정은 특히 경계의 수치를 바꿉니다. 국소 평균과 전역 평균, 최대 풀링과 학습된 합성곱을 구분하면 구조표의 숫자를 더 정확히 읽을 수 있습니다.
처음에는 작은 네 구역의 평균을 직접 맞춰 보세요. 일정한 값에 패딩을 주어 모서리의 분모도 확인합니다. 실제 모델에서는 줄어든 크기뿐 아니라 희석된 작은 반응과 업무 오류, 배포 전후의 경계값을 함께 점검합니다.
