帮我写一个BP神经网络的编码，输出神经网络的准确度

好的，以下是一个简单的BP神经网络的编码示例：

import numpy as np

class BPNN:
    def __init__(self, input_size, hidden_size, output_size, learning_rate):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        self.learning_rate = learning_rate
        
        # 初始化权重和偏置
        self.weights1 = np.random.randn(self.input_size, self.hidden_size)
        self.bias1 = np.zeros((1, self.hidden_size))
        self.weights2 = np.random.randn(self.hidden_size, self.output_size)
        self.bias2 = np.zeros((1, self.output_size))
        
    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))
    
    def sigmoid_derivative(self, x):
        return x * (1 - x)
    
    def forward(self, inputs):
        # 计算隐藏层输出
        self.hidden_layer_output = self.sigmoid(np.dot(inputs, self.weights1) + self.bias1)
        
        # 计算输出层输出
        self.output_layer_output = self.sigmoid(np.dot(self.hidden_layer_output, self.weights2) + self.bias2)
        
        return self.output_layer_output
    
    def backward(self, inputs, targets):
        # 计算输出层误差
        output_layer_error = targets - self.output_layer_output
        output_layer_delta = output_layer_error * self.sigmoid_derivative(self.output_layer_output)
        
        # 计算隐藏层误差
        hidden_layer_error = np.dot(output_layer_delta, self.weights2.T)
        hidden_layer_delta = hidden_layer_error * self.sigmoid_derivative(self.hidden_layer_output)
        
        # 更新权重和偏置
        self.weights2 += np.dot(self.hidden_layer_output.T, output_layer_delta) * self.learning_rate
        self.bias2 += np.sum(output_layer_delta, axis=0, keepdims=True) * self.learning_rate
        self.weights1 += np.dot(inputs.T, hidden_layer_delta) * self.learning_rate
        self.bias1 += np.sum(hidden_layer_delta, axis=0, keepdims=True) * self.learning_rate
        
    def train(self, inputs, targets, epochs):
        for i in range(epochs):
            # 前向传播计算输出
            outputs = self.forward(inputs)
            
            # 反向传播更新权重和偏置
            self.backward(inputs, targets)
            
            # 计算损失函数
            loss = np.mean(np.square(targets - outputs))
            
            # 输出训练进度和损失函数值
            if i % 1000 == 0:
                print("Epochs:", i, " Loss:", loss)
                
    def predict(self, inputs):
        # 预测输出结果
        return self.forward(inputs)

以上代码实现了一个包含一个隐藏层的BP神经网络。你可以根据自己的需求修改输入层、隐藏层和输出层的大小，以及学习率等超参数。在训练完成后，你可以使用该神经网络进行预测，并且计算准确度。

具体来说，你可以使用一组测试数据进行预测，并将预测结果与真实结果进行对比，计算准确率。其中，准确率可用如下公式计算：

accuracy = (正确预测的样本数) / (总样本数)

当然，这里的准确率仅适用于分类问题，对于回归问题需要使用其他指标来衡量模型的准确度。