Tu objetivo es entrenar y evaluar una red neuronal simple utilizando el conjunto de datos Iris, que consiste en mediciones de flores y clasificación de especies.

1. Divide el conjunto de datos en conjuntos de entrenamiento y prueba, asignando el 20% para el conjunto de prueba y estableciendo el estado aleatorio en 42.
2. Convierte X_train y X_test en tensores de PyTorch de tipo float32.
3. Convierte y_train y y_test en tensores de PyTorch de tipo long.
4. Define un modelo de red neuronal creando la clase IrisModel.
5. Implementa dos capas totalmente conectadas y aplica la función de activación ReLU en la capa oculta.
6. Inicializa el modelo con el tamaño de entrada correcto, tamaño de la capa oculta igual a 16 y tamaño de salida.
7. Define la función de pérdida como cross-entropy loss y el optimizador como Adam con una tasa de aprendizaje de 0.01.
8. Entrena el modelo durante 100 épocas realizando propagación hacia adelante, cálculo de la pérdida, retropropagación y actualización de los parámetros del modelo.
9. Establece el modelo en modo de evaluación después del entrenamiento.
10. Desactiva el cálculo de gradientes durante la prueba para mejorar la eficiencia.
11. Calcula las predicciones en el conjunto de prueba utilizando el modelo entrenado.
12. Determina las etiquetas de clase predichas a partir de las predicciones en bruto.