Numpy中的数组shape为（m,）说明它是一个一维数组，或者说是一个向量，不区分列向量还是行向量，在与矩阵进行矩阵乘法时，numpy会自动判断此时的一维数组应该取行向量还是列向量。
X = np.random.randn(4,3) # X.shape:(4, 3) t = np.array([2,3,4]) # t.shape:(3,),此时不区分行向量还是列向量 y = X.dot(t) # 计算矩阵与向量乘法时，会把t当做列向量来计算,此时结果仍然是一维数组（但我们知道，这个结果应该是列向量）
在numpy中，用二维矩阵而不是一维矩阵来表示行向量和列向量：
行向量的形状：(n, 1)
列向量的形状：(1, n)
X = np.random.randn(4,3) # X.shape:(4, 3) t = np.array([2,3,4]).reshape(3,1) # t.shape:(3,1),表示是列向量 y = X.dot(t) # y.shape:(4,1),表示结果也是列向量
计算线性方程组：
y = 4 + 2*x1 + 3*x2 + x3
X = np.random.randn(4,3) X_b = np.c_[np.ones((4,1)), X] #构造矩阵，增加x0=1 t = np.array([4,2,3,1]).reshape(4,1) y = X_b.dot(t)