Tavoitteena on kouluttaa ja arvioida yksinkertainen neuroverkko käyttäen Iris-aineistoa, joka sisältää kukkien mittaustietoja ja lajitunnisteita.

1. Jaa aineisto opetus- ja testijoukkoon siten, että 20 % varataan testijoukolle ja satunnaissiementä käytetään arvolla 42.
2. Muunna X_train ja X_test PyTorch-tensoreiksi käyttäen tyyppiä float32.
3. Muunna y_train ja y_test PyTorch-tensoreiksi käyttäen tyyppiä long.
4. Määrittele neuroverkkorakenne luomalla IrisModel-luokka.
5. Toteuta kaksi täysin kytkettyä kerrosta ja käytä ReLU-aktivointifunktiota piilokerroksessa.
6. Alusta malli oikealla syötekoolla, piilokerroksen koko arvolla 16 ja oikealla ulostulokoolla.
7. Määrittele tappioksi ristiinentropiahäviö ja optimoijaksi Adam oppimisnopeudella 0.01.
8. Kouluta mallia 100 epookin ajan suorittamalla eteenpäinlaskenta, tappion laskeminen, takaisinkytkentä ja mallin parametrien päivitys.
9. Aseta malli arviointitilaan koulutuksen jälkeen.
10. Poista gradienttien laskenta käytöstä testauksen aikana tehokkuuden parantamiseksi.
11. Laske ennusteet testijoukolla koulutetulla mallilla.
12. Määritä ennustetut luokat raakaennusteiden perusteella.