BP 实现3层的BP神经网络 要求： •1.在第一象限，随机生成两类数据集合【尽量要求线性不可分】 2. 构造3层BP神经网络对两类数据集合进行分类训练 3. 进行分类测试 4.原则上要求使用源码编写，不要使用资源包

在使用反向传播（Back Propagation，简称BP）算法实现一个3层的神经网络来处理非线性可分的数据集时，你需要遵循以下步骤：

1. **数据准备**:
- 首先，在Python中安装必要的库，如NumPy、Matplotlib等。然后，你可以使用`numpy.random.rand`函数在第一象限生成两个随机分布的二维数据点，确保它们属于不同的类别，但线性上难以区分。

import numpy as np
import matplotlib.pyplot as plt

# 创建线性不可分的二维数据点
np.random.seed(0)
data = np.random.rand(100, 2) # 100个样本，每个样本有两个特征
data[data[:, 0] > 0.5, 1] *= -1 # 划分两个类别

2. **构建神经网络模型**:
- 设计三层神经网络结构，包括输入层、隐藏层和输出层。可以使用深度学习框架如TensorFlow或PyTorch来创建神经网络模型。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, InputLayer

input_dim = data.shape[1]
hidden_units = 8 # 隐藏层节点数
output_dim = 2 # 类别数

model = Sequential([
    InputLayer(input_shape=(input_dim,)),
    Dense(hidden_units, activation='sigmoid'),
    Dense(output_dim, activation='softmax')
])

3. **训练模型**:
- 编译模型，并使用交叉熵作为损失函数，因为这是一个二分类问题。使用梯度下降优化器进行训练。

model.compile(optimizer='sgd', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
history = model.fit(data, np.argmax(data[:, 1], axis=1), epochs=100, batch_size=32)

4. **分类测试**:
- 使用训练好的模型对新的数据进行预测，并计算准确率。

test_data = np.random.rand(20, 2) # 新数据
predictions = np.argmax(model.predict(test_data), axis=1)

plt.scatter(data[:, 0], data[:, 1], c=predictions)
plt.show()

print("测试准确率:", accuracy_score(np.argmax(data[:, 1], axis=1), predictions))

5. **源码实现**:
- 如果需要查看完整的源码，你可以访问TensorFlow或Keras的官方文档，或者查阅相关的机器学习教程，了解如何逐步实现这个过程。