bp神经网络函数的参数n_hidden,maxcycle,alpha,n_output依次取100,200,0.01,2

好的，针对您的问题，我可以给出BP神经网络函数的基本框架代码，其中n_hidden表示隐藏层神经元个数，maxcycle表示最大训练次数，alpha表示学习率，n_output表示输出层神经元个数（针对多分类问题，一般设置为类别数目）。

import numpy as np

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def bp_train(x, y, n_hidden, maxcycle, alpha, n_output):
    n_input = x.shape[1]
    w1 = 0.2 * np.random.random((n_input, n_hidden)) - 0.1
    b1 = 0.2 * np.random.random((1, n_hidden)) - 0.1
    w2 = 0.2 * np.random.random((n_hidden, n_output)) - 0.1
    b2 = 0.2 * np.random.random((1, n_output)) - 0.1
    for i in range(maxcycle):
        hidden_output = sigmoid(np.dot(x, w1) + b1)
        output = sigmoid(np.dot(hidden_output, w2) + b2)
        error = y - output
        delta_output = error * output * (1 - output)
        delta_hidden = delta_output.dot(w2.T) * hidden_output * (1 - hidden_output)
        w2 += alpha * hidden_output.T.dot(delta_output)
        b2 += alpha * np.sum(delta_output, axis=0, keepdims=True)
        w1 += alpha * x.T.dot(delta_hidden)
        b1 += alpha * np.sum(delta_hidden, axis=0, keepdims=True)
    return w1, b1, w2, b2

您可以将参数n_hidden设为100，maxcycle设为200，alpha设为0.01，n_output设为2，然后调用该函数进行训练。请注意，这里的训练数据x和y需要是numpy数组类型，其中x的shape为(n_samples, n_features)，y的shape为(n_samples, n_output)。