作为一名算法工程师，请你使用pytorch完成一个轻量级图像分类模型

好的，作为一名算法工程师，使用PyTorch完成一个轻量级图像分类模型需要以下步骤:

1. 导入必要的库，如numpy，torch等。
2. 加载图像数据集并进行预处理，例如归一化和数据增强。
3. 定义模型结构，这里可以使用轻量级的卷积神经网络模型，例如MobileNet或ShuffleNet。
4. 定义损失函数和优化器，例如交叉熵损失和SGD优化器。
5. 训练模型，使用训练数据进行模型参数的更新。
6. 在测试数据集上评估模型的性能。
7. 保存训练好的模型。

以下是一个简单的轻量级图像分类模型的代码示例:

import torch
import torchvision
import torch.nn as nn
import torch.optim as optim

# 加载图像数据集，并对数据进行预处理
transform = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor(),
    torchvision.transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
])
dataset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
dataloader = torch.utils.data.DataLoader(dataset, batch_size=32, shuffle=True, num_workers=2)

# 定义模型结构
class MobileNet(nn.Module):
    def __init__(self):
        super(MobileNet, self).__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(3, 32, kernel_size=3, stride=1