Votre objectif est d'entraîner et d'évaluer un réseau de neurones simple en utilisant le jeu de données Iris, qui se compose de mesures de fleurs et de classification des espèces.

1. Divisez le jeu de données en ensembles d'entraînement et de test en allouant 20% pour l'ensemble de test et en définissant l'état aléatoire à 42.
2. Convertissez X_train et X_test en tenseurs PyTorch de type float32.
3. Convertissez y_train et y_test en tenseurs PyTorch de type long.
4. Définissez un modèle de réseau de neurones en créant la classe IrisModel.
5. Implémentez deux couches complètement connectées et appliquez la fonction d'activation ReLU dans la couche cachée.
6. Initialisez le modèle avec la taille d'entrée correcte, une taille de couche cachée égale à 16, et une taille de sortie.
7. Définissez la perte comme une perte d'entropie croisée et l'optimiseur comme Adam avec un taux d'apprentissage de 0.01.
8. Entraînez le modèle pendant 100 époques en effectuant la propagation avant, en calculant la perte, en effectuant la rétropropagation et en mettant à jour les paramètres du modèle.
9. Mettez le modèle en mode évaluation après l'entraînement.
10. Désactivez le calcul des gradients pendant le test pour améliorer l'efficacité.
11. Calculez les prédictions sur l'ensemble de test en utilisant le modèle entraîné.
12. Déterminez les étiquettes de classe prédites en fonction des prédictions brutes.