BP神经网络，全称为Backpropagation Neural Network，是人工神经网络的一种典型模型，主要用于非线性数据的分类和预测任务。这种网络结构基于反向传播的学习算法，通过不断调整权重来最小化预测误差，从而提高预测准确性。
BP神经网络隐层节点数的确定是神经网络设计中非常重要的一个环节,一个具有无限隐层节点的两层 BP 网络可以实现任意从输入到输出的非线性映射。但对于有限个输入到输出的映射，并不需要无限个隐层节点，这就涉及到如何选择隐层节点数的问题。
一般有如下三种方法确定：
构造法
首先运用三种确定隐含层层数的方法得到三个隐含层层数，找到最小值和最大值，然后从最小值开始逐个验证模型预测误差，直到达到最大值。最后选取模型误差最小的那个隐含层层数。该方法适用于双隐含层网络。
删除法
单隐含层网络非线性映射能力较弱，相同问题，为达到预定映射关系，隐层节点要多一些，以增加网络的可调参数，故适合运用删除法。
黄金分割法
算法的主要思想:首先在[a,b]内寻找理想的隐含层节点数，这样就充分保证了网络的逼近能力和泛化能力。为满足高精度逼近的要求，再按照黄金分割原理拓展搜索区间，即得到区间b,c，在区间[b,c]中搜索最优，则得到逼近能力更强的隐含层节点数，在实际应用根据要求，从中选取其一即可。
BP算法中,权值和阈值是每训练一次，调整一次。逐步试验得到隐层节点数就是先设置一个初始值，然后在这个值的基础上逐渐增加，比较每次网络的预测性能，选择性能最好的对应的节点数作为隐含层神经元节点数。
一般在BP网络编程时，我们基本是随意指定一个隐藏层节点数比如6或者10，对网络的准确率有一定影响，为此本文采用编程的方式确定了最佳隐藏层节点数目。对应BP神经网络的正确运用提供了参考。
02 效果图展示：
