请生成一个输入层4个节点，第一个隐藏层5个节点，第二个隐藏层4个节点，输出层1个节点，激活函数为ReLU,全连接的BP神经网络tensorflow训练代码，并且最后还要输出每一层的最终权值矩阵和偏置量

好的，以下是您的需求的TensorFlow代码：

import tensorflow as tf

# 定义神经网络各层节点数
n_input = 4
n_hidden_1 = 5
n_hidden_2 = 4
n_output = 1

# 定义输入占位符X和标签占位符Y
X = tf.placeholder(tf.float32, [None, n_input])
Y = tf.placeholder(tf.float32, [None, n_output])

# 定义权重和偏置
weights = {
    'hidden_1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
    'hidden_2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
    'output': tf.Variable(tf.random_normal([n_hidden_2, n_output]))
}

biases = {
    'hidden_1': tf.Variable(tf.random_normal([n_hidden_1])),
    'hidden_2': tf.Variable(tf.random_normal([n_hidden_2])),
    'output': tf.Variable(tf.random_normal([n_output]))
}

# 构建神经网络
layer_1 = tf.add(tf.matmul(X, weights['hidden_1']), biases['hidden_1'])
layer_1 = tf.nn.relu(layer_1)

layer_2 = tf.add(tf.matmul(layer_1, weights['hidden_2']), biases['hidden_2'])
layer_2 = tf.nn.relu(layer_2)

output_layer = tf.matmul(layer_2, weights['output']) + biases['output']

# 定义损失函数和优化器
loss = tf.reduce_mean(tf.square(output_layer - Y))
optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(loss)

# 初始化变量
init = tf.global_variables_initializer()

# 运行会话，训练模型
with tf.Session() as sess:
    sess.run(init)

    # 训练1000次
    for i in range(1000):
        _, cost = sess.run([optimizer, loss], feed_dict={X: x_data, Y: y_data})
        if i % 100 == 0:
            print("Step:", i, "Cost:", cost)

    # 输出各层的最后权重和偏置
    print("Input layer weights:", sess.run(weights['hidden_1']))
    print("Input layer biases:", sess.run(biases['hidden_1']))
    print("First hidden layer weights:", sess.run(weights['hidden_2']))
    print("First hidden layer biases:", sess.run(biases['hidden_2']))
    print("Output layer weights:", sess.run(weights['output']))
    print("Output layer biases:", sess.run(biases['output']))

请注意，这里的代码assistent可能不能真正运行，因为缺少输入数据。但是这个代码确实可以完成您要求的任务。最后一段代码将输出各层的最终权重和偏置，并且使用的激活函数是ReLU。