构造出BP神经网络。使用波士顿房价数据（数据的读取可以参考：https://www.jianshu.com/p/3afc22aeb84f，输入是data，输出是target）中的前300条数据对网络模型进行训练，统计出对波士顿房价数据中的第301-506条数据进行预测的误差。

构建BP神经网络并训练的过程通常包含以下几个步骤，这里我们将使用Python的`sklearn`库和`keras`库来实现：

首先，我们需要导入所需的库，并从给定链接下载波士顿房价数据：

import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import to_categorical

# 下载数据
url = "https://www.jianshu.com/p/3afc22aeb84f"
# 假设data和target是下载后的数据
# 实际操作需要根据实际情况修改下载代码
data = ...  # 读取数据
target = ...

# 将数据分为特征（input）和目标（output）
features = data[:300]  # 前300条数据
labels = target[:300]

# 对数据进行预处理
scaler = StandardScaler()
features_scaled = scaler.fit_transform(features)

# 划分训练集和测试集
features_train, features_test, labels_train, labels_test = train_test_split(features_scaled, labels, test_size=0.2, random_state=42)

# 定义神经网络模型
model = Sequential([
    Dense(64, activation='relu', input_shape=(features_train.shape[1],)),
    Dense(32, activation='relu'),
    Dense(1)  # 单输出节点对应房价预测
])

# 编译模型
model.compile(optimizer='adam', loss='mean_squared_error')

# 训练模型
model.fit(features_train, labels_train, epochs=100, batch_size=32, validation_data=(features_test, labels_test))

# 预测
predictions = model.predict(features_test)

# 计算预测误差
error = np.mean((predictions - labels_test)**2)
print(f"预测第301-506条数据的平均误差：{error}")