为何torch.nn.functional.linear权重维度为(out,in)而非(in,out)？

• 与高层API参数定义保持统一
  PyTorch的nn.Linear层初始化时参数顺序为nn.Linear(out_features, in_features)，对应的权重张量维度就是(out_features, in_features)。作为底层实现的F.linear采用相同维度，能让用户直接传递层的权重参数，无需额外转置，避免维度转换带来的错误和混淆。

• 梯度计算与语义更直观
  权重矩阵的每一行对应一个输出特征的权重向量，当计算损失对权重的梯度时，梯度张量的维度会和权重完全一致。比如针对第i个输出特征的梯度，直接对应权重矩阵的第i行，这让调试、手动处理梯度或理解特征映射逻辑时，更符合“每个输出由输入特征线性组合生成”的直观认知。

• 框架设计的历史延续性
  PyTorch继承自Torch7，而Torch7就采用了这种权重维度设计。延续该设计能保持生态一致性，降低老用户的学习成本，也避免了跨框架迁移时的额外维度转换工作。

• 特征映射的语义对齐
  从线性变换的语义来看，每个输出特征本质是输入特征的加权求和。将权重矩阵的行对应输出特征，能直接体现“第i行权重负责计算第i个输出特征”的逻辑，让代码和数学直觉的对应关系更清晰，而非需要通过列来关联输出特征。

内容的提问来源于stack exchange，提问作者StackExchanger