Målet ditt er å trene og evaluere et enkelt nevralt nettverk ved å bruke Iris-datasettet, som består av blomster-målinger og artsklassifisering.

1. Del datasettet i trenings- og testsett, hvor 20 % brukes til testsettet og sett random state til 42.
2. Konverter X_train og X_test til PyTorch-tensorer av typen float32.
3. Konverter y_train og y_test til PyTorch-tensorer av typen long.
4. Definer en nevralt nettverksmodell ved å opprette klassen IrisModel.
5. Implementer to fullt tilkoblede lag og bruk ReLU-aktiveringsfunksjonen i det skjulte laget.
6. Initialiser modellen med korrekt input-størrelse, skjult lag-størrelse lik 16, og output-størrelse.
7. Definer tapet som kryssentropi-tap og optimalisatoren som Adam med læringsrate 0.01.
8. Tren modellen i 100 epoker ved å utføre fremoverpropagering, beregne tap, utføre bakoverpropagering og oppdatere modellens parametere.
9. Sett modellen i evalueringsmodus etter trening.
10. Deaktiver gradientberegning under testing for å forbedre effektiviteten.
11. Beregn prediksjoner på testsettet ved å bruke den trente modellen.
12. Bestem de predikerte klasselabelene basert på rå prediksjoner.