如何使用python实现一个输入层为3个节点（PH、氮、磷），输出层为1个节点（水质等级1~5）的BP网络结构，且训练完成后可以将新给的同类信息作为测试集输入得出预测值。

要实现一个BP神经网络，可以使用Python中的Keras库。以下是一个简单的实现过程：

首先，导入所需的库：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense

然后，定义训练集和测试集：

# 训练集
X_train = np.array([[1, 2, 3], [2, 3, 4], [3, 4, 5], [4, 5, 6]])
y_train = np.array([[1], [2], [3], [4]])

# 测试集
X_test = np.array([[5, 6, 7], [6, 7, 8]])
y_test = np.array([[5], [4]])

接下来，创建模型并添加层：

model = Sequential()
model.add(Dense(4, input_dim=3, activation='relu'))
model.add(Dense(1, activation='softmax'))

以上代码创建了一个包含一个输入层、一个隐藏层和一个输出层的模型，其中输入层有3个节点，隐藏层有4个节点，输出层有1个节点。

接着，编译模型：

model.compile(loss='mse', optimizer='adam', metrics=['accuracy'])

这里使用了均方误差损失函数和Adam优化器。

最后，训练模型：

model.fit(X_train, y_train, epochs=100, batch_size=1)

这里将训练集和标签传入模型，并指定训练100个epochs，每个batch的大小为1。

训练完成后，可以使用测试集来测试模型的准确性：

accuracy = model.evaluate(X_test, y_test)[1]
print('Accuracy:', accuracy)

以上代码将输出模型的准确性。

最后，如果要将新的数据作为测试集输入，可以使用以下代码：

new_data = np.array([[7, 8, 9]])
prediction = model.predict(new_data)
print('Prediction:', prediction)

以上代码将输出新数据的预测结果。