ShuffleNet图像分类
和mobilenet一样，也是在资源有限的设备上进行神经网络来做ai图像分类的小模型，在保持精度的同时大大降低了模型的计算量。
是基本块
就是真正的网络，如果模型size是2，就是输出的时候多一些，精细一些。
mindspore.set_context(mode=mindspore.PYNATIVE_MODE, device_target=“Ascend”) 旋转ascend做显卡
net = ShuffleNetV1(model_size=“2.0x”, n_class=10)还是分10分类，因为数据还是那有名的cifar10。已经出现过很多次。
loss在不断下降
模型评估
用test ds去评估。 res = model.eval(dataset, dataset_sink_mode=False) 不优化数据，如果True，就是用ascend
最好top5的准确度还可以。
上面就是真的去用这个模型了，所以要把分类的数字变成文字，人才看得懂。可以看到能正常分类了。
