构建一个全连接神经网络，已有训练集和测试集包含几十个输入和一个输出，需要预测输出，csv需要导入

首先，需要导入相关的库，如下所示：

import pandas as pd
import numpy as np
from sklearn.neural_network import MLPRegressor
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

接下来，读取csv文件，并将输入和输出分离：

data = pd.read_csv('data.csv')
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

然后，对输入数据进行标准化处理，以提高训练效果：

scaler = StandardScaler()
X = scaler.fit_transform(X)

接着，将数据分为训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

现在，可以构建全连接神经网络了，我们可以使用 sklearn 中的 MLPRegressor 来实现：

model = MLPRegressor(hidden_layer_sizes=(100, 50), max_iter=1000, random_state=42)
model.fit(X_train, y_train)

在训练完成后，可以使用测试集来评估模型的性能：

y_pred = model.predict(X_test)
score = model.score(X_test, y_test)
print("R-squared score:", score)

最后，可以使用模型来进行预测：

new_data = pd.read_csv('new_data.csv')
X_new = scaler.transform(new_data)
y_new = model.predict(X_new)
print(y_new)

其中，new_data.csv 包含需要预测的新数据，X_new 是经过标准化处理后的输入数据，y_new 是预测的输出结果。