在标准深度学习框架（PyTorch、TensorFlow）中，输入矩阵的每一行是一个样本，每一列是一个特征维度。
所以，列是特征维度，而不是特征向量本身。一个特征向量（即一个样本的所有特征）在矩阵中表现为一行。
绝大多数深度学习库都遵循 (batch_size, features) 的格式
举例：假设你有 100 个用户，每个用户有 128 个特征（比如年龄、收入、浏览时长等）。
输入矩阵形状：100, 128
每一行（共100行）：代表一个完整的用户特征向量（1 × 128）。
每一列（共128列）：代表所有用户在某个特征维度上的取值（100 × 1）。
在实际计算（矩阵乘法）中，输入 X 必须放在前面，权重矩阵 W 放在后面。
数学表达式就是：Y = X @ W（或者 Y = X · W），其中 @ 代表矩阵乘法。
数学公式中：b 看作行向量（1, H），与输出矩阵的每一行对齐。
代码存储中：b 是一维张量（H），框架通过广播自动处理。
广播机制：当执行 X @ W + b 时：
X @ W 的结果形状是 N, H。
b 的形状是 H。
NumPy/PyTorch 的广播规则会自动将形状 H 的数组视为行向量（即 1, H），然后复制N份，扩展成 N, H，完成加法。