神经网络小白问题：训练误差太大，是程序写错了么？？？

Question

小白刚学神经网络，自编码，反向传播训练。
一个隐含层，一个输出层。输入与输出n相等
训练一个样本，
比如 【0.1 ，0.2，0.3，0.4】能拟合

但是训练一个矩阵，输入多个样本，拟合后的矩阵误差太大了，，是我的程序写错了么？不应该呀。
比如随便输入一个矩阵

0.1000    0.9000    0.9000    0.1000
0.5000    0.6000    0.6000    0.5000

输出结果就非常差：

  0.2928    0.7560    0.7560    0.2929
  0.3026    0.7467    0.7465    0.3023

想想也是，第一行与第二行没有关系，训练都要照顾，肯定拟合不好，

神经网络是这么用的么？？？
还是说数据特征要多一些？？？
真是难受，求大神开导，是我写错了，还是神经网络不能这么用？

matlab代码如下

mat=load("mat.txt")
[m,n]=size(mat);

visible_num=n;
hidden_num=3;

out=partial2(mat,visible_num,hidden_num);
out
mat

function [out]=partial2(mat,visible_num,hidden_num)
[m,n]=size(mat);
alpha=0.1;
W2=normrnd(0,0.1,hidden_num,visible_num);
W3=normrnd(0,0.1,visible_num,hidden_num);
b2=normrnd(0,0.1,[hidden_num,1]);
b3=normrnd(0,0.1,[visible_num,1]);
%b2=zeros(hidden_num,1);
%b3=zeros(visible_num,1);
it=1000;
out=0;
for j=1:it

    W2_grad=zeros(hidden_num,visible_num);
    W3_grad=zeros(visible_num,hidden_num);
    b2_grad=zeros(hidden_num,1);
    b3_grad=zeros(visible_num,1);

        for i=1:m
            z2=W2*mat(i,:)'+b2;
            a2=sigmod(z2);
            z3=W3*a2+b3;
            a3=sigmod(z3);

            t3=-(mat(i,:)'-a3).*(a3.*(1-a3));
            t2=W3'*t3.*(a2.*(1-a2));
            W3_grad=W3_grad+t3*a2';           
            W2_grad=W2_grad+t2*mat(i,:);
            b3_grad=b3_grad+t3;
            b2_grad=b2_grad+t2;
        end
    W3_grad=(W3_grad./m).*alpha;
    W2_grad=(W2_grad./m).*alpha;
    b2_grad=b2_grad./m.*alpha;
    b3_grad=b3_grad./m.*alpha;
    W2=W2-W2_grad;
    W3=W3-W3_grad;
    b2=b2-b2_grad;
    b3=b3-b3_grad;

    z2=W2*mat'+b2;
    a2=sigmod(z2);
    z3=W3*a2+b3;
    a3=sigmod(z3);   
    err2=sum(sum(abs(mat(i,:)'-a3)))
    out=a3';
end
end
function [ x ] = sigmod( x )
x=1./(1+exp(-x));
end

Answer 1

输出每步的loss试试，看到底有没有下降