用matalb帮我写一段神经网络预测迭代过程图的代码

在MATLAB中，你可以使用`plot`函数结合循环结构来可视化神经网络预测的迭代过程。这里是一个简单的例子，假设我们有一个简单的反向传播算法训练一个线性回归模型，并希望跟踪损失函数的变化：

% 假设我们有一个训练数据集 X_train 和对应的标签 y_train
X_train = rand(100, 5); % 100个样本，每个样本有5个特征
y_train = randn(100, 1); % 随机生成的目标值

% 初始化权重和学习率
weights = zeros(5, 1);
learning_rate = 0.1;

% 定义预测和损失函数
predict = @(x, weights) x * weights';
loss = @(y_pred, y) mean((y_pred - y).^2);

% 可视化迭代过程的函数
function plot_training_iterations(iterations)
    figure;
    hold on;
    line_colors = hsv(length(iterations));
    
    for i = 1:length(iterations)
        [y_pred, loss_val] = predict(X_train, weights);
        plot(loss_val, 'o', 'MarkerFaceColor', line_colors(i,:), 'MarkerSize', 8);
        title(sprintf('Loss vs Iteration (%d)', i));
        xlabel('Iteration');
        ylabel('Mean Squared Error');
        drawnow; % 每次迭代后更新绘图
        pause(0.1); % 等待一点时间以看到动态变化
        % 更新权重 (这里只是一个简化版本，实际的反向传播会更新权重)
        weights = weights - learning_rate * gradient(loss(y_pred, y_train), weights);
    end
    hold off;
end

% 开始迭代并绘制损失曲线
num_iterations = 100; % 总共迭代次数
plot_training_iterations(linspace(1, num_iterations, num_iterations));

在这个例子中，我们每迭代一次，就计算当前的预测值和损失，然后在图表上添加一个新的点表示损失。`drawnow`用于实时更新图像，而`pause`则用来控制更新的速度。