在TensorFlow中搭建BP神經網絡的步驟如下：

1. 導入必要的庫：

import tensorflow as tf

2. 定義輸入和輸出數據的占位符：

X = tf.placeholder(tf.float32, [None, input_size]) # 輸入數據的占位符，None表示可以接受任意數量的樣本
Y = tf.placeholder(tf.float32, [None, output_size]) # 輸出數據的占位符

3. 定義神經網絡的參數：

W = tf.Variable(tf.random_normal([input_size, hidden_size])) # 輸入層到隱藏層的權重矩陣
b = tf.Variable(tf.random_normal([hidden_size])) # 隱藏層的偏置向量
V = tf.Variable(tf.random_normal([hidden_size, output_size])) # 隱藏層到輸出層的權重矩陣
c = tf.Variable(tf.random_normal([output_size])) # 輸出層的偏置向量

4. 定義神經網絡的結構：

hidden_layer = tf.nn.sigmoid(tf.matmul(X, W) + b) # 隱藏層的輸出
output_layer = tf.matmul(hidden_layer, V) + c # 輸出層的輸出

5. 定義損失函數和優化器：

loss = tf.reduce_mean(tf.square(Y - output_layer)) # 使用均方誤差作為損失函數
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss) # 使用梯度下降優化器最小化損失函數

6. 訓練模型：

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for epoch in range(num_epochs):
        _, cost = sess.run([optimizer, loss], feed_dict={X: train_X, Y: train_Y})
        if epoch % display_step == 0:
            print("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(cost))
    print("Optimization Finished!")

    # 測試模型
    correct_prediction = tf.equal(tf.argmax(output_layer, 1), tf.argmax(Y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print("Accuracy:", accuracy.eval({X: test_X, Y: test_Y}))

通過以上步驟，就可以使用TensorFlow搭建并訓練一個BP神經網絡模型了。你可以根據自己的數據和需求，調整網絡結構、損失函數、優化器等參數來優化模型的性能。