用python实现bp神经网络，要求输入层为4，隐藏层为4，输出层为2

在Python中，你可以使用深度学习库如TensorFlow、Keras或PyTorch来构建一个简单的BP (Backpropagation) 神经网络。这里我会给出一个使用Keras的基本示例，因为它的API简单易懂：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 定义模型结构
model = Sequential()
model.add(Dense(4, input_dim=4, activation='relu'))  # 输入层，4个节点，激活函数通常用ReLU
model.add(Dense(4, activation='relu'))           # 隐藏层，同样4个节点
model.add(Dense(2, activation='softmax'))        # 输出层，2个节点，适合分类任务，使用softmax激活

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 这里假设X是一个形状为(batch_size, 4)的训练数据集，y是对应的标签，通常是one-hot编码
# model.fit(X, y, epochs=10, batch_size=32)

在这个例子中，`Dense`函数用于添加全连接层，`input_dim`指定了输入特征的数量，`epochs`表示训练轮数。你需要进一步将输入数据`X`和标签`y`提供给`model.fit()`方法进行训练。