BP神经网络训练和测试的误差都已达到10的-10次，但是为什么调用神经网络进行预测的时候效果很差呢?

归一化处理：从你提供的信息来看，这个可能性最大。即在训练神经网络时对数据进行了归一化处理，但在预测时没有进行归一化处理，导致结果很差。如果确认是这种情况，那么你需要对输入数据进行归一化处理，并重新进行预测。归一化的方法可以是简单的线性归一化（将数据缩放到0-1的范围内），也可以是其他更复杂的方法。对于输入数据已经在-1到1之间的情况，可以考虑对数据进行零均值归一化，即将输入数据减去其均值并除以标准差，以确保输入数据的范围在相同的数量级内。此外，输入数据的标准化也可以加快神经网络的训练收敛速度。
过拟合：过拟合是另一个可能性，即神经网络在训练集上表现很好，但在测试集上表现很差。如果确认是这种情况，你可以尝试减少网络的复杂度，增加训练数据的数量，或者使用正则化方法来减少过拟合。
损失函数选择：不同的神经网络模型和任务可能需要选择不同的损失函数。如果你使用的损失函数不适合你的任务，那么即使训练误差很小，也可能导致预测效果很差。你可以尝试使用其他的损失函数来解决这个问题。
输入数据格式：如果输入数据的格式不正确，也会导致预测结果很差。例如，如果输入的数据维度与训练时不同，或者数据类型不匹配，都会导致预测效果很差。你需要检查输入数据的格式是否正确。
训练过程中的bug：最后，如果以上方法都没有解决问题，那么可能是训练过程中出现了一些bug。你可以检查代码是否正确，或者尝试使用其他的神经网络框架或工具来解决问题。