在确定BP神经网络中每个隐藏层的神经元数量时，没有固定的规则或经验公式。这主要取决于问题的复杂性和数据的特性。一般来说，你可以通过以下方法来确定每层神经元的个数：1. 参考其他类似项目的架构：如果你正在处理一个特定类型的问题（例如图像分类、文本生成等），可能会有一些现有的项目和论文使用类似的神经网络结构。你可以研究这些项目并查看他们的隐藏层数以及每层的神经元数量，以获得灵感。2. 实验不同的设置：针对你的问题，可以尝试用不同的隐藏层数和每层的神经元数量进行试验。然后根据模型的性能来决定哪个设置是最优的。这种方法可能需要更多的时间和计算资源，但可以帮助你找到最佳的网络配置。3. 根据数据集的大小和质量：如果你的数据集非常大且质量很高，那么你可能需要更复杂的模型来捕捉到更多信息。这意味着你需要有更多的隐藏层和每层的神经元数量也要相应增加。反之亦然。4. 利用深度学习框架的功能：许多深度学习框架如TensorFlow, PyTorch等都提供了自动调整神经元数量的功能。当你在创建模型的时候选择这种功能，可以让算法根据你的数据进行自我调适，得到最优化的结果。5. 对问题进行理论分析：有时你也可以对你要解决的问题进行分析，得出关于所需隐藏层数及每层神经元数的结论。例如，如果一个问题可以用线性方程解决，则可能只需要一两个隐藏层；但如果是一个非线性的多维函数映射关系，就需要更多的层次了。当然这种情况相对较少见。6. 采用启发式的方法：比如你可以从一个小规模的模型开始训练，随着时间的推移逐渐增加模型的复杂性直到达到某个阈值或者出现明显的过拟合现象为止。这样虽然不能保证得到的模型是最好的但是至少可以得到一个可用的模型作为起点进一步优化它。
