在基本的pytorch tutorial之后，我尝试使用不同的CNN架构（不同的层数、每层的通道数等），我希望组织起来，所以我尝试使用wandb。
我正在寻找一种简单的方法来尝试不同的体系结构，并保存两种结果（准确性）。目前我拥有的是一个代码片段，它允许我保存模型及其权重，但我还需要一种方法来重现我的结果，包括重现我的类的代码（我可以，使用repr(model)保存模型参数，但不是类本身的代码，这是不幸的）。
有没有更好的方法来管理我的实验，并轻松地复制我的结果，包括类的代码？我考虑使用inspect模块来保存源代码，但我都不确定这是最好的方法，谷歌colab不支持这个模块。
这是我目前拥有的代码：

torch.manual_seed(0)

# MODEL DESCRIPTION
class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = torch.flatten(x, 1) # flatten all dimensions except batch
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

model = Net()
model_desc = repr(model)

# TRAINING....

# EVALUATING...
accureacy = ...

# SAVE RESULTS
run = wandb.init(project='test-project', name=model_desc)

artifact = wandb.Artifact('model', type='model')
artifact.add_file(MODEL_PATH)

# 2. Save mode inputs and hyperparameters
config = run.config
config.test_number = 1
config.model_desc = model_desc

# 3. Log metrics over time to visualize performance
run.log({"accuracy": accuracy})

# 4. Log an artifact to W&B
run.log_artifact(artifact)
run.finish()