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

1. Teilen Sie den Datensatz in Trainings- und Testdaten auf, wobei 20% für den Testdatensatz reserviert werden und der Zufallszustand auf 42 gesetzt wird.
2. Konvertieren Sie X_train und X_test in PyTorch-Tensoren vom Typ float32.
3. Konvertieren Sie y_train und y_test in PyTorch-Tensoren vom Typ long.
4. Definieren Sie ein neuronales Netzwerkmodell, indem Sie die Klasse IrisModel erstellen.
5. Implementieren Sie zwei vollständig verbundene Schichten und wenden Sie die ReLU-Aktivierungsfunktion in der versteckten Schicht an.
6. Initialisieren Sie das Modell mit der korrekten Eingabegröße, einer versteckten Schichtgröße von 16 und der Ausgabeschichtgröße.
7. Definieren Sie den Verlust als Kreuzentropie-Verlust und den Optimierer als Adam mit einer Lernrate von 0.01.
8. Trainieren Sie das Modell für 100 Epochen, indem Sie Vorwärtsausbreitung, Verlustberechnung, Rückpropagation und Aktualisierung der Modellparameter durchführen.
9. Setzen Sie das Modell nach dem Training in den Evaluierungsmodus.
10. Deaktivieren Sie die Gradientenberechnung während des Testens, um die Effizienz zu steigern.
11. Berechnen Sie Vorhersagen für den Testdatensatz mit dem trainierten Modell.
12. Bestimmen Sie die vorhergesagten Klassenlabels basierend auf den Rohvorhersagen.