Ihr Ziel ist es, ein einfaches neuronales Netzwerk mit dem Iris-Datensatz zu trainieren und zu evaluieren, der aus Blumenmessungen und Artenklassifikationen besteht.

1. Teilen Sie den Datensatz in Trainings- und Testsets auf, wobei 20% für das Testset vorgesehen sind 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 Eingangsgröße, einer versteckten Schichtgröße von 16 und der Ausgabengröße.
7. Definieren Sie den Verlust als Kreuzentropieverlust und den Optimierer als Adam mit einer Lernrate von 0.01.
8. Trainieren Sie das Modell für 100 Epochen, indem Sie Vorwärtspropagation durchführen, den Verlust berechnen, Rückwärtspropagation durchführen und die Parameter des Modells aktualisieren.
9. Setzen Sie das Modell nach dem Training in den Evaluierungsmodus.
10. Deaktivieren Sie die Gradientenberechnung während des Testens, um die Effizienz zu verbessern.
11. Berechnen Sie Vorhersagen auf dem Testset mit dem trainierten Modell.
12. Bestimmen Sie die vorhergesagten Klassenlabels basierend auf den Rohvorhersagen.