Votre objectif est d'entraîner et d'évaluer un réseau de neurones simple en utilisant le jeu de données Iris, qui comprend des mesures de fleurs et la classification des espèces.

1. Diviser le jeu de données en ensembles d'entraînement et de test en allouant 20 % à l'ensemble de test et en fixant l'état aléatoire à 42.
2. Convertir X_train et X_test en tenseurs PyTorch de type float32.
3. Convertir y_train et y_test en tenseurs PyTorch de type long.
4. Définir un modèle de réseau de neurones en créant la classe IrisModel.
5. Implémenter deux couches complètement connectées et appliquer la fonction d'activation ReLU dans la couche cachée.
6. Initialiser le modèle avec la taille d'entrée correcte, une taille de couche cachée égale à 16, et la taille de sortie.
7. Définir la fonction de perte comme une perte d'entropie croisée et l'optimiseur comme Adam avec un taux d'apprentissage de 0.01.
8. Entraîner le modèle pendant 100 époques en effectuant la propagation avant, le calcul de la perte, la rétropropagation et la mise à jour des paramètres du modèle.
9. Placer le modèle en mode évaluation après l'entraînement.
10. Désactiver le calcul du gradient lors du test pour améliorer l'efficacité.
11. Calculer les prédictions sur l'ensemble de test en utilisant le modèle entraîné.
12. Déterminer les étiquettes de classe prédites à partir des prédictions brutes.