Målet er at træne og evaluere et simpelt neuralt netværk ved hjælp af Iris-datasættet, som består af blomster-målinger og artsklassifikation.

1. Opdel datasættet i trænings- og testdatasæt, hvor 20% bruges til testdatasættet, og sæt random state til 42.
2. Konverter X_train og X_test til PyTorch-tensorer af typen float32.
3. Konverter y_train og y_test til PyTorch-tensorer af typen long.
4. Definér en neural netværksmodel ved at oprette klassen IrisModel.
5. Implementér to fuldt forbundne lag og anvend ReLU-aktiveringsfunktionen i det skjulte lag.
6. Initialisér modellen med korrekt inputstørrelse, skjult lag-størrelse sat til 16, og outputstørrelse.
7. Definér tabet som cross-entropy loss og optimeringsalgoritmen som Adam med en læringsrate på 0.01.
8. Træn modellen i 100 epoker ved at udføre fremadpropagering, beregne tab, udføre bagudpropagering og opdatere modellens parametre.
9. Sæt modellen i evalueringsmode efter træning.
10. Deaktiver gradientberegning under test for at forbedre effektiviteten.
11. Beregn forudsigelser på testdatasættet ved hjælp af den trænede model.
12. Bestem de forudsagte klasselabels baseret på de rå forudsigelser.