能否提供一个用于BP神经网络分类任务的Python代码示例？

当然可以，以下是一个简单的BP（Backpropagation，反向传播）神经网络在Python（通过Keras库）用于二分类任务的基本例子：

# 导入所需库
from keras.models import Sequential
from keras.layers import Dense
import numpy as np

# 假设我们有特征数据X_train和对应的标签y_train
# X_train.shape应为(样本数, 特征维度)，y_train.shape应为(样本数,)
# 将类别标签转换为one-hot编码
y_train = to_categorical(y_train, num_classes=2)  # 如果类别是0和1，则num_classes为2

# 创建模型
model = Sequential()
model.add(Dense(16, input_dim=X_train.shape[1], activation='relu'))  # 输入层，16个隐藏单元，ReLU激活函数
model.add(Dense(8, activation='relu'))  # 隐藏层，8个隐藏单元
model.add(Dense(2, activation='softmax'))  # 输出层，二分类，用softmax激活函数

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

# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=32)

# 使用训练好的模型对新的数据进行预测
predictions = model.predict_classes(X_test)

这个例子中，我们首先创建了一个简单的三层神经网络，然后使用了交叉熵作为损失函数（适合分类任务），Adam优化器进行梯度更新。在训练完成后，我们可以用模型对测试集进行预测。