El objetivo es entrenar y evaluar una red neuronal simple utilizando el conjunto de datos Iris, que contiene mediciones de flores y clasificación de especies.

1. Dividir el conjunto de datos en conjuntos de entrenamiento y prueba, asignando el 20% para el conjunto de prueba y estableciendo el estado aleatorio en 42.
2. Convertir X_train y X_test en tensores de PyTorch de tipo float32.
3. Convertir y_train y y_test en tensores de PyTorch de tipo long.
4. Definir un modelo de red neuronal creando la clase IrisModel.
5. Implementar dos capas totalmente conectadas y aplicar la función de activación ReLU en la capa oculta.
6. Inicializar el modelo con el tamaño de entrada correcto, tamaño de la capa oculta igual a 16 y tamaño de salida.
7. Definir la función de pérdida como cross-entropy loss y el optimizador como Adam con una tasa de aprendizaje de 0.01.
8. Entrenar el modelo durante 100 épocas realizando propagación hacia adelante, cálculo de la pérdida, retropropagación y actualización de los parámetros del modelo.
9. Establecer el modelo en modo de evaluación después del entrenamiento.
10. Deshabilitar el cálculo de gradientes durante la prueba para mejorar la eficiencia.
11. Calcular las predicciones en el conjunto de prueba utilizando el modelo entrenado.
12. Determinar las etiquetas de clase predichas a partir de las predicciones sin procesar.