Ziel ist es, ein einfaches neuronales Netzwerk mit dem Iris-Datensatz zu trainieren und zu evaluieren. Dieser Datensatz enthält Messwerte von Blumen und deren Klassifizierung nach Art.

1. Aufteilen des Datensatzes in Trainings- und Testdaten, wobei 20% für den Testdatensatz reserviert werden und der Zufallszustand auf 42 gesetzt wird.
2. Umwandeln von X_train und X_test in PyTorch-Tensoren vom Typ float32.
3. Umwandeln von y_train und y_test in PyTorch-Tensoren vom Typ long.
4. Definition eines neuronalen Netzwerkmodells durch Erstellen der Klasse IrisModel.
5. Implementierung von zwei vollständig verbundenen Schichten und Anwendung der ReLU-Aktivierungsfunktion in der versteckten Schicht.
6. Initialisierung des Modells mit der korrekten Eingabegröße, einer versteckten Schichtgröße von 16 und der Ausgabeschichtgröße.
7. Definition der Verlustfunktion als Kreuzentropieverlust und des Optimierers als Adam mit einer Lernrate von 0.01.
8. Training des Modells über 100 Epochen durch Vorwärtsausbreitung, Berechnung des Verlusts, Rückpropagation und Aktualisierung der Modellparameter.
9. Nach dem Training das Modell in den Evaluierungsmodus versetzen.
10. Während des Testens die Gradientenberechnung deaktivieren, um die Effizienz zu steigern.
11. Berechnung der Vorhersagen auf dem Testdatensatz mit dem trainierten Modell.
12. Bestimmung der vorhergesagten Klassenlabels basierend auf den Rohvorhersagen.