Spatial Dropout 2D [medium]

v1 Dropout 은 각 원소를 독립 drop. CNN feature map (N, C, H, W) 에서는 효과가 약함 — 공간적으로 인접한 픽셀은 강한 상관 을 가지므로 한 픽셀 drop 해도 이웃이 대체. Spatial Dropout (Tompson et al. 2015) 은 전체 채널 단위로 drop:

$y[n, c, :, :] = \frac{x[n, c, :, :]}{1 - p} \cdot \mathbb{1}[m[n, c] = 1]$

즉 한 샘플의 한 채널이 통째로 0 되거나, 그대로 유지 (스케일업 포함).

왜 채널 단위인가

• 채널 = feature detector: 한 채널 전체를 drop 하면 그 feature 자체가 일시적 무효화.
• 독립 픽셀 drop 대비 더 강한 regularization.
• PyTorch nn.Dropout2d 가 이 방식.

수식

• mask shape (N, C, 1, 1) (broadcast 로 H, W 에 확장).
• mask[n, c] = 1 with prob 1-p, 0 with prob p.
• 출력: x * mask / (1 - p) (inverted dropout).

과제

함수 spatial_dropout_2d(x, p, seed, training) 를 완성하세요.

• x shape (N, C, H, W).
• p: drop 확률.
• training=False: 원본 그대로.
• training=True: 채널 단위 mask + 1/(1-p) 스케일.

테스트 케이스

#	이름	검증
1	training=False → 원본
2	p=0 → 원본 (train 이어도)
3	drop 된 (n, c) 의 모든 (h, w) 가 0	공간 일관성
4	survived 채널은 원본 · 1/(1-p)
5	기대값 보존 (큰 샘플)	E[y] = x
6	시드 재현성
7	각 채널 drop 은 독립 (다른 샘플 간)