Ditt mål är att träna och utvärdera ett enkelt neuralt nätverk med hjälp av Iris-datasetet, som består av blom-mätningar och artklassificering.

1. Dela upp datasetet i tränings- och testuppsättningar där 20% används för test och sätt random state till 42.
2. Konvertera X_train och X_test till PyTorch-tensorer av typen float32.
3. Konvertera y_train och y_test till PyTorch-tensorer av typen long.
4. Definiera en modell för neuralt nätverk genom att skapa klassen IrisModel.
5. Implementera två fullt anslutna lager och använd ReLU-aktiveringsfunktionen i det dolda lagret.
6. Initiera modellen med korrekt indata-storlek, dold lagerstorlek satt till 16, och utdata-storlek.
7. Definiera förlusten som cross-entropy loss och optimizern som Adam med en inlärningshastighet på 0.01.
8. Träna modellen i 100 epoker genom att utföra framåtpropagering, beräkna förlust, utföra bakåtpropagering och uppdatera modellens parametrar.
9. Sätt modellen i utvärderingsläge efter träning.
10. Inaktivera gradientberäkning under testning för att förbättra effektiviteten.
11. Beräkna prediktioner på testuppsättningen med den tränade modellen.
12. Bestäm de förutsagda klass-etiketterna baserat på de råa prediktionerna.