写一个用已经训练好的BP神经网络，对新的文本数据进行分类预测的代码

好的，以下是一个简单的用已经训练好的BP神经网络对新的文本数据进行分类预测的 Python 代码：

import numpy as np

# 定义sigmoid函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义BP神经网络类
class BPNN:
    def __init__(self, input_nodes, hidden_nodes, output_nodes):
        self.input_nodes = input_nodes
        self.hidden_nodes = hidden_nodes
        self.output_nodes = output_nodes
        # 初始化权重矩阵
        self.W_ih = np.random.normal(0.0, pow(self.hidden_nodes, -0.5), (self.hidden_nodes, self.input_nodes))
        self.W_ho = np.random.normal(0.0, pow(self.output_nodes, -0.5), (self.output_nodes, self.hidden_nodes))

    # 前向传播
    def forward(self, inputs):
        # 将输入转换为列向量
        inputs = np.array(inputs, ndmin=2).T
        # 计算隐藏层输出
        hidden_inputs = np.dot(self.W_ih, inputs)
        hidden_outputs = sigmoid(hidden_inputs)
        # 计算输出层输出
        final_inputs = np.dot(self.W_ho, hidden_outputs)
        final_outputs = sigmoid(final_inputs)
        return final_outputs

# 定义一个已经训练好的BP神经网络对象
trained_network = BPNN(3, 4, 2) # 输入层有3个节点，隐藏层有4个节点，输出层有2个节点
trained_network.W_ih = np.array([[0.1, 0.4, -0.2], [-0.3, 0.2, 0.1], [0.2, 0.5, 0.3], [0.1, 0.2, -0.1]])
trained_network.W_ho = np.array([[0.3, -0.1, -0.2, 0.2], [0.1, 0.2, -0.1, -0.3]])

# 使用已经训练好的BP神经网络进行分类预测
new_data = [1.0, 2.0, 3.0] # 新的文本数据
predicted_class = np.argmax(trained_network.forward(new_data)) # 预测分类
print("Predicted class:", predicted_class)

这个代码定义了一个 `BPNN` 类，其中包括了 `forward` 方法用于前向传播计算输出，以及 `__init__` 方法用于初始化权重矩阵。在本例中，我们定义了一个已经训练好的BP神经网络对象 `trained_network`，并使用它进行了一次分类预测。