用Python构建一个包含一个35输入、一层隐含层、21输出的BP神经网络，然后编译模型，使用固定数据训练模型

好的，我可以为您解答这个问题。首先，您需要安装 keras 和 tensorflow 库，然后按照以下步骤构建神经网络模型：

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

# 创建模型
model = Sequential()

# 添加输入层和隐含层
model.add(Dense(units=10, input_dim=35, activation='relu'))

# 添加输出层
model.add(Dense(units=21, activation='softmax'))

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

# 打印模型概况
model.summary()

在这个模型中，我们使用了一个包含10个神经元的隐含层，并使用 relu 激活函数。输出层包含21个神经元，并使用 softmax 激活函数。我们使用交叉熵作为损失函数，使用 Adam 优化器进行模型训练，并在训练过程中监控准确率。

接下来，您需要准备训练数据和标签，然后使用以下代码拟合模型：

# 准备训练数据和标签
import numpy as np

train_data = np.random.rand(100, 35)
train_labels = np.random.rand(100, 21)

# 训练模型
model.fit(train_data, train_labels, epochs=10, batch_size=10)

在这个示例中，我们使用随机数据作为训练数据和标签。您需要替换这些数据以使用您自己的数据进行训练。我们使用了10个 epochs 和 10个 batch_size 进行训练，您可以根据需要进行调整。

最后，您可以使用以下代码对模型进行评估：

# 评估模型
test_data = np.random.rand(10, 35)
test_labels = np.random.rand(10, 21)

loss, acc = model.evaluate(test_data, test_labels)

print('Test loss:', loss)
print('Test accuracy:', acc)

在这个示例中，我们使用随机数据作为测试数据和标签。您需要替换这些数据以使用您自己的数据进行评估。模型评估的输出包括测试损失和测试准确率。