스크립트: 환경 기록과 GPU 검증

Windows와 WSL 환경을 나중에 비교하려면 조회 결과를 파일로 남겨 두는 편이 편리합니다. 이 글에는 환경 목록을 남기는 스크립트와 PyTorch·TensorFlow GPU 시험을 정리합니다. 개별 설치·조회 명령은 「워크스테이션 구축 명령어 기록」에서, 보존과 복구는 「스크립트: 오프라인 보존과 복구」에서 다룹니다.

각 스크립트의 옵션과 인자는 당시 값을 유지했습니다. 점검 방법을 설명하고, 실행 결과가 남아 있는 시험은 그 결과를 함께 적었습니다.

1. PowerShell에서 환경 기록을 파일로 저장하기

다음 스크립트는 Windows 개발환경의 정보를 한 파일로 모읍니다. 당시 저장 결과는 남아 있지 않아, 여기서는 파일을 만드는 방법과 주의할 점을 정리합니다. D:\Lab\OfflineLab\manifests가 이미 존재하는 구성을 전제로 하며, 같은 출력 파일이 있으면 덮어씁니다.

@(
  "=== Windows Research Development Baseline ==="
  "Recorded: $(Get-Date -Format 'yyyy-MM-dd HH:mm:ss K')"
  ""
  "=== Git ==="
  (git --version)
  ""
  "=== VS Code ==="
  (code --version)
  ""
  "=== uv ==="
  (uv --version)
  "uv cache: $(uv cache dir)"
  ""
  "=== Python ==="
  (python --version)
  "Python path:"
  (where.exe python)
  ""
  "=== JupyterLab ==="
  "JupyterLab $(jupyter-lab --version)"
  ""
  "=== WSL ==="
  (wsl --version)
  ""
  (wsl --status)
  ""
  (wsl -l -v)
) | Out-File `
  D:\Lab\OfflineLab\manifests\development-windows-baseline.txt `
  -Encoding utf8

줄 끝의 백틱은 PowerShell 줄 연결 문자입니다. 복사하면서 백틱 뒤에 공백이 붙지 않도록 주의해야 합니다. 이 스크립트는 결과를 모으는 용도라 개별 명령 실패를 자동 판정하거나 모든 오류 출력을 파일에 합치는 처리는 없습니다. 파일이 생겼다는 사실만으로 환경 전체가 정상이라고 판단하지 않습니다.

출력 동작과 WSL 옵션은 Out-File 문서와 WSL 기본 명령 문서를 참고했습니다.

2. PowerShell에서 확장 목록 저장하기

확장 목록은 다음 명령으로 별도 파일에 저장할 수 있습니다. 환경 기록과 파일을 나눠 두면 확장만 비교할 때 찾아보기 쉽습니다.

code --list-extensions --show-versions |
Out-File `
  D:\Lab\OfflineLab\manifests\development-vscode-extensions.txt `
  -Encoding utf8

이 명령은 Windows PowerShell용이며, 당시 저장 결과는 남아 있지 않습니다. WSL remote 확장의 상태는 WSL 쪽에서 별도로 확인했습니다. 두 목록을 하나의 설치 상태로 합치지 않습니다. 옵션 설명은 VS Code CLI 문서를 참고했습니다.

3. Bash에서 Linux 빌드 도구 확인하기

아래는 WSL Bash에서 실행한 명령과 후속 출력이 남은 구간입니다.

echo "=== Build Toolchain ==="

gcc --version | head -1
g++ --version | head -1
make --version | head -1
cmake --version | head -1
ninja --version
pkg-config --version

당시 결과는 GCC·G++ 15.2.0, GNU Make 4.4.1, CMake 4.2.3, Ninja 1.13.2, pkg-config 2.5.1이었습니다. 이 조회는 도구가 실행되고 버전을 반환하는지 확인한 기록입니다. 소스를 컴파일하거나 링크한 시험은 별도 기록에서 다룹니다.

4. Bash에서 디렉터리 이름만 추리기

복원본의 연구 프로젝트와 VS Code Server 디렉터리는 다음과 같이 조회할 수 있습니다. 두 명령은 서로 다른 경로를 확인하며, 당시의 개별 조회 결과는 남아 있지 않습니다.

find ~/research -maxdepth 1 -mindepth 1 -type d -printf '%f\n' | sort
find ~/.vscode-server/bin -maxdepth 1 -mindepth 1 -type d -printf '%f\n'

첫 명령으로는 연구 프로젝트 이름을, 두 번째로는 해당 위치의 서버 디렉터리 이름을 살피려 했습니다. 디렉터리가 존재하는지와 그 안의 환경이 실제로 동작하는지는 이후 실행 시험으로 구분해야 합니다.

5. 설치·스토리지 목록 내보내기

WinGet으로 설치 목록을 내보냈습니다. 뒤의 파일·레지스트리 조회는 결과를 점검하는 방법이며, 개별 조회 결과는 남아 있지 않습니다. winget export -o는 JSON 대상 파일, --include-versions는 버전 포함입니다. 일부 설치 패키지나 버전을 원본에서 찾을 수 없다는 경고가 있었습니다. Get-Item은 파일 정보, Get-Content는 내용, Get-ItemProperty는 레지스트리 속성을 읽습니다. HKLM 두 경로는 설치 항목을 조회하고 Where-Object DisplayName으로 이름이 있는 항목을 추립니다. Format-Table -AutoSize는 열 너비를 조정하는 표시 형식이며 구조화된 데이터 내보내기가 아닙니다. Known Folder GUID는 개인 식별자가 아닌 원문 속 폴더 식별자입니다.

winget list | Out-File `
  D:\Lab\OfflineLab\manifests\winget-list-productivity-baseline.txt `
  -Encoding utf8
winget export `
  -o D:\Lab\OfflineLab\manifests\winget-productivity-baseline.json `
  --include-versions

Get-Item D:\Lab\OfflineLab\manifests\winget-productivity-baseline.json
Get-Content D:\Lab\OfflineLab\manifests\winget-productivity-baseline.json
Get-AppxPackage |
Select-Object Name, Version, PackageFullName |
Sort-Object Name |
Out-File `
  D:\Lab\OfflineLab\manifests\appx-productivity-baseline.txt `
  -Encoding utf8
Get-ItemProperty `
  HKLM:\Software\Microsoft\Windows\CurrentVersion\Uninstall\*, `
  HKLM:\Software\WOW6432Node\Microsoft\Windows\CurrentVersion\Uninstall\* `
  -ErrorAction SilentlyContinue |
Where-Object DisplayName |
Select-Object DisplayName, DisplayVersion, Publisher |
Sort-Object DisplayName |
Out-File `
  D:\Lab\OfflineLab\manifests\installed-programs-productivity-baseline.txt `
  -Encoding utf8

Get-ComputerInfo | Out-File `
  D:\Lab\OfflineLab\manifests\system-baseline.txt `
  -Encoding utf8
Get-Volume | Format-Table DriveLetter,FileSystemLabel,FileSystem,Size,SizeRemaining -AutoSize |
Out-File D:\Lab\OfflineLab\manifests\storage-baseline.txt -Encoding utf8
Get-ItemProperty 'HKCU:\Software\Microsoft\Windows\CurrentVersion\Explorer\User Shell Folders' |
Select-Object Desktop, Personal, 'My Pictures', 'My Music', 'My Video', '{374DE290-123F-4565-9164-39C4925E467B}' |
Out-File D:\Lab\OfflineLab\manifests\known-folders-baseline.txt -Encoding utf8

6. Windows·WSL 기준 상태 저장

다음은 Windows와 WSL의 기준 상태를 파일로 남기는 스크립트입니다. 기준 상태 파일을 저장한 사실은 앞선 개발환경 노트에 기록했습니다. 여기서는 각 스크립트의 실행 직후 출력을 따로 남기지 못했으므로, 저장 방법과 확인할 항목을 정리합니다. Git 설정 조회에 값을 넘기지 않으면 현재 값을 읽습니다. 실제 이메일·사용자 경로가 결과에 들어갈 수 있어 결과 파일 공개 전 확인이 필요합니다. Bash { ...; } 묶음은 같은 셸에서 실행하며 >로 표준 출력을 저장합니다. date --iso-8601=seconds는 초 단위 시각 형식, ls -ld는 디렉터리 자체의 상세 정보입니다.

@(
  "=== Windows Git Baseline ==="
  "Recorded: $(Get-Date -Format 'yyyy-MM-dd HH:mm:ss K')"
  ""
  "user.name=$(git config --global user.name)"
  "user.email=$(git config --global user.email)"
  "core.autocrlf=$(git config --global core.autocrlf)"
  "init.defaultBranch=$(git config --global init.defaultBranch)"
) | Out-File `
  D:\Lab\OfflineLab\manifests\development-git-config.txt `
  -Encoding utf8

{
  echo "=== WSL Research Development Baseline ==="
  echo "Recorded: $(date --iso-8601=seconds)"
  echo
  echo "=== OS ==="
  cat /etc/os-release
  echo
  echo "=== Kernel ==="
  uname -a
  echo
  echo "=== Python ==="
  python3 --version
  which python3
  echo
  echo "=== Git ==="
  git --version
  which git
  echo
  echo "user.name=$(git config --global user.name)"
  echo "user.email=$(git config --global user.email)"
  echo "core.autocrlf=$(git config --global core.autocrlf)"
  echo "init.defaultBranch=$(git config --global init.defaultBranch)"
  echo
  echo "=== Filesystem ==="
  echo "HOME=$HOME"
  echo "PWD=$PWD"
  echo
  echo "=== D: mount ==="
  ls -ld /mnt/d/Lab
} > /mnt/d/Lab/OfflineLab/manifests/development-wsl-baseline.txt

7. WSL GPU와 재부팅 후 시험

첫 PyTorch 연산에서는 실행 출력을 확인했습니다. Windows 재부팅 뒤 점검도 당시에는 통과한 것으로 기록했지만, 항목별 출력까지 남기지는 못했습니다. python -c는 문자열 코드를 실행하고 python -는 표준 입력 코드를 실행합니다. <<'PY'는 셸 확장 없이 Python 본문을 전달하는 here-document입니다. 행렬을 cuda에 만들고 synchronize로 완료를 기다립니다. 모델 시험은 float16, 로컬 파일만 사용, 결정적 토큰 선택(do_sample=False)을 지정했습니다. max_new_tokens=32는 추가 생성 길이입니다. grep -E는 확장 정규식, uname -r은 커널 릴리스, test -e는 경로 존재, &&는 앞 명령 성공 시 후속 실행입니다. 이 블록은 뒤의 물리적 오프라인 시험과 별개입니다.

python --version
which python
python -c "import torch; print('PyTorch:', torch.__version__); print('CUDA runtime:', torch.version.cuda); print('CUDA available:', torch.cuda.is_available()); print('GPU:', torch.cuda.get_device_name(0))"
python - <<'PY'
import torch

a = torch.randn((2048, 2048), device="cuda")
b = torch.randn((2048, 2048), device="cuda")
c = a @ b
torch.cuda.synchronize()

print("Shape:", c.shape)
print("Device:", c.device)
print("VS Code WSL PyTorch CUDA PASS")
PY

echo "=== OS / Kernel ==="
grep -E '^(PRETTY_NAME|VERSION_ID|VERSION_CODENAME)=' /etc/os-release
uname -r
echo
echo "=== Build Toolchain ==="
gcc --version | head -1
g++ --version | head -1
make --version | head -1
cmake --version | head -1
ninja --version
pkg-config --version
echo
echo "=== Python / uv ==="
python3 --version
uv --version
uv python list --only-installed
echo
echo "=== Jupyter Base ==="
cd ~/research/wsl-research-base
uv run jupyter-lab --version
uv run python -c "import IPython, ipykernel; print('IPython:', IPython.__version__); print('ipykernel:', ipykernel.__version__)"
echo
echo "=== GPU ==="
test -e /dev/dxg && echo "/dev/dxg: PASS"
/usr/lib/wsl/lib/nvidia-smi | head -15
echo
echo "=== VS Code Server ==="
find ~/.vscode-server/bin -maxdepth 1 -mindepth 1 -type d -printf '%f\n'
echo
echo "=== Remote Extensions ==="
code --list-extensions --show-versions | sort

cd ~/research/pytorch-smoke-test
uv run python - <<'PY'
import torch

print("PyTorch:", torch.__version__)
print("CUDA runtime:", torch.version.cuda)
print("CUDA available:", torch.cuda.is_available())
print("GPU:", torch.cuda.get_device_name(0))

a = torch.randn((2048, 2048), device="cuda")
b = torch.randn((2048, 2048), device="cuda")
c = a @ b
torch.cuda.synchronize()

print("Device:", c.device)
print("WSL PyTorch persistence PASS")
PY

cd ~/research/transformers-smoke-test
HF_HUB_CACHE=/mnt/d/Lab/Models/HuggingFace \
HF_HUB_OFFLINE=1 \
TRANSFORMERS_OFFLINE=1 \
uv run python - <<'PY'
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "Qwen/Qwen3-0.6B"

tokenizer = AutoTokenizer.from_pretrained(
    model_id,
    local_files_only=True,
)

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    dtype=torch.float16,
    local_files_only=True,
).to("cuda")

inputs = tokenizer(
    "Explain CUDA in one short sentence.",
    return_tensors="pt",
).to("cuda")

with torch.inference_mode():
    outputs = model.generate(
        **inputs,
        max_new_tokens=32,
        do_sample=False,
    )

print("Device:", next(model.parameters()).device)
print("WSL Transformers persistence PASS")
PY

8. TensorFlow 연산·메모리·XLA

첫 블록은 기본 행렬 연산을 확인하는 코드이며 실행 결과는 남아 있지 않습니다. 이어지는 memory growth·XLA 시험에서는 명령과 출력을 함께 남겼습니다. 메모리 증가 설정은 GPU 초기화 전 적용하며 jit_compile=True는 XLA 컴파일 요청입니다. c.numpy()로 결과를 읽어 실행 완료를 확인합니다. 출력 발췌 외에 PTX JIT 경고와 AutoGraph 소스 탐색 경고도 있었습니다. nightly 성공은 stable 채택과 구분합니다.

uv run python - <<'PY'
import tensorflow as tf

print("TensorFlow:", tf.__version__)
print("GPUs:", tf.config.list_physical_devices("GPU"))

with tf.device("/GPU:0"):
    a = tf.random.normal((2048, 2048))
    b = tf.random.normal((2048, 2048))
    c = tf.matmul(a, b)
    _ = c.numpy()

print("Shape:", c.shape)
print("Device:", c.device)
print("TensorFlow Nightly GPU execution PASS")
PY

uv run python - <<'PY'
import tensorflow as tf

gpus = tf.config.list_physical_devices("GPU")
print("TensorFlow:", tf.__version__)
print("GPUs:", gpus)

for gpu in gpus:
    tf.config.experimental.set_memory_growth(gpu, True)

print("Memory growth:",
      tf.config.experimental.get_memory_growth(gpus[0]))

with tf.device("/GPU:0"):
    a = tf.random.normal((2048, 2048))
    b = tf.random.normal((2048, 2048))
    c = tf.matmul(a, b)
    _ = c.numpy()

print("Shape:", c.shape)
print("Device:", c.device)
print("TensorFlow Nightly memory-growth GPU PASS")
PY

TensorFlow: 2.22.0-dev20260923
GPUs: [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
Memory growth: True
Shape: (2048, 2048)
Device: /job:localhost/replica:0/task:0/device:GPU:0
TensorFlow Nightly memory-growth GPU PASS

uv run python - <<'PY'
import tensorflow as tf

gpus = tf.config.list_physical_devices("GPU")
for gpu in gpus:
    tf.config.experimental.set_memory_growth(gpu, True)

@tf.function(jit_compile=True)
def gpu_matmul(a, b):
    return tf.matmul(a, b)

with tf.device("/GPU:0"):
    a = tf.random.normal((1024, 1024))
    b = tf.random.normal((1024, 1024))
    c = gpu_matmul(a, b)
    _ = c.numpy()

print("TensorFlow:", tf.__version__)
print("Shape:", c.shape)
print("Device:", c.device)
print("TensorFlow Nightly XLA GPU PASS")
PY

TensorFlow: 2.22.0-dev20260923
Shape: (1024, 1024)
Device: /job:localhost/replica:0/task:0/device:GPU:0
TensorFlow Nightly XLA GPU PASS

환경 목록은 이후 비교할 기준을 남기고, GPU 시험은 위 조건에서 실행된 범위를 기록합니다. TensorFlow nightly의 결과와 재시험을 기다리는 stable 경로의 상태는 구분해 둡니다.