"배포 입문 (2/7) — Git 기초: commit, branch, merge, push를 배포 관점에서 이해하기"

-

배포 사고는 종종 서버보다 Git에서 먼저 시작된다. 무엇을 올렸는지 모르면, 무엇을 되돌려야 하는지도 모른다.

핵심 요약

  • Git은 단순한 백업 도구가 아니라 배포 가능한 상태를 기록하는 이력 시스템이다.
  • commit은 변경 단위를 고정하고, branch는 안전한 실험 공간을 만들며, merge는 검토된 변경만 공유 이력으로 넘긴다.
  • push는 로컬 이력을 원격 저장소로 보내는 단계일 뿐, 배포 그 자체는 아니다.
  • 배포를 안정적으로 하려면 "작은 커밋, 분리된 브랜치, 의도된 머지"가 기본 습관이 되어야 한다.

1. Git을 배포 관점에서 다시 보면

초보자는 Git을 "코드 저장하는 곳"으로 이해하기 쉽다. 하지만 배포 관점에서 보면 Git의 역할은 더 명확하다. 지금 서비스에 반영할 수 있는 상태가 무엇인지, 그 바로 이전 상태가 무엇인지, 누가 어떤 이유로 바꿨는지 추적하는 기준선이다.

이 기준선이 없으면 배포 문제를 만났을 때 할 수 있는 말이 없다. "어제까지는 됐는데 왜 깨졌지?"라는 문장은 로그가 아니라 감상에 가깝다.

2. commit, branch, merge, push는 각각 무엇을 하나

commit

커밋은 변경을 한 덩어리로 묶어 이름 붙이는 작업이다. 좋은 커밋은 "무엇이 바뀌었는지"와 "왜 바꿨는지"가 같이 읽힌다.

branch

브랜치는 실험 공간이다. 메인 브랜치를 바로 흔들지 않고, 새 기능이나 수정 작업을 분리해서 진행하게 해 준다. 배포 관점에서는 운영 라인을 오염시키지 않는 안전 구역이다.

merge

머지는 분리된 변경을 공유 이력으로 반영하는 단계다. 이때 코드 리뷰나 테스트 결과가 붙으면, 머지는 단순 합치기가 아니라 검토 통과 신호가 된다.

push

푸시는 로컬 이력을 GitHub 같은 원격 저장소로 보내는 단계다. 많은 입문자가 push = deploy라고 오해하지만, 실제 배포는 그 뒤의 GitHub Actions, Vercel, Railway 같은 자동화 흐름에서 일어난다.

3. 최소한 알아야 할 Git 흐름

가장 단순한 흐름은 아래처럼 이해하면 된다.

git checkout -b feature/login-copy
git add .
git commit -m "Update login page copy"
git push origin feature/login-copy

이렇게 하면 로컬 실험이 원격 브랜치까지 올라간다. 그다음 보통은 Pull Request를 만들고, 리뷰나 테스트를 거친 뒤 main에 머지한다. 실제 배포 트리거는 대개 main 머지 뒤에 붙는다.

4. 왜 작은 커밋이 배포에 유리할까

큰 커밋 하나에 화면 수정, 설정 변경, 환경 변수 추가, 빌드 스크립트 수정이 한꺼번에 섞여 있으면 문제 발생 시 원인을 좁히기 어렵다.

반대로 커밋이 작고 의도가 분리되어 있으면 이점이 분명하다.

  • 어떤 변경이 문제를 냈는지 추적이 빠르다
  • 특정 커밋만 되돌리기 쉽다
  • 리뷰할 때 판단 기준이 선명하다
  • 배포 실패 시 복구 지점이 분명하다

즉, 작은 커밋은 예쁜 습관이 아니라 복구 비용을 낮추는 운영 습관이다.

5. 초보자가 자주 하는 실수

첫째, main에서 바로 작업하는 것. 이렇게 하면 실험과 운영 이력이 섞인다.

둘째, 커밋 메시지를 fix, update, asdf처럼 쓰는 것. 나중에 보면 의미가 남지 않는다.

셋째, 변경이 너무 많을 때도 한 커밋으로 밀어 넣는 것. 배포 시점 추적이 어려워진다.

넷째, 푸시한 뒤 GitHub에서 어떤 브랜치가 어떤 상태인지 보지 않는 것. 원격 저장소가 배포 자동화의 시작점이기 때문에, 원격 기준으로 사고하는 습관이 필요하다.

6. 배포를 위한 Git 최소 규칙

혼자 개발할 때도 아래 네 가지만 지키면 배포 사고가 크게 줄어든다.

  1. 새 작업은 브랜치에서 시작한다.
  2. 커밋은 하나의 의도로 묶는다.
  3. main에는 검토 가능한 변경만 머지한다.
  4. 배포는 push가 아니라 merge to main 이후 자동화로 일어나게 설계한다.

이 규칙이 자리 잡으면 다음 편의 GitHub, 그리고 마지막 편의 CI/CD 파이프라인이 훨씬 자연스럽게 연결된다.

참고 자료

  • GitHub Training, Git Cheat Sheet — https://training.github.com/downloads/github-git-cheat-sheet.pdf
  • GitHub Docs, Understanding GitHub Actions — https://docs.github.com/en/actions/get-started/understand-github-actions
  • Git SCM, Git Branching — https://git-scm.com/book/en/v2/Git-Branching-Branches-in-a-Nutshell

이 글은 배포 입문 시리즈의 2/7 편입니다. 다음 편: GitHub에서 repository, Pages, Actions의 역할을 분리해 보기.

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »