西瓜重量是数字，颜色却是「青绿 / 乌黑」。颜色怎么乘权重？
权重为什么也要从一个数字，变成一排数字？
假设只看西瓜重量来猜「好瓜分数」。重量是一个实数，比如：
x₁ = 3.5（千克）——这叫标量（scalar），就是一个单独的数字。
代入：
这里一切都很直观：数字 × 数字 = 数字。教科书举例几乎总从这里开始，因为最好懂。
现实里挑西瓜，常看这些类别特征（categorical）：
| 特征 | 可能取值 | 个数 |
|---|---|---|
| 颜色 x₁ | 青绿、乌黑、浅白 | 3 |
| 根蒂 x₂ | 蜷缩、稍蜷、坚硬 | 3 |
| 纹理 x₃ | 清晰、稍糊、模糊 | 3 |
问题来了：「乌黑」× 0.5 等于什么？字符串不能直接乘数字。
有人会想：青绿=1，乌黑=2，浅白=3。然后算 y = w · 2。
这很危险——模型会以为「浅白(3) 比乌黑(2) 大」，好像颜色有大小顺序。但青绿和乌黑之间没有数值大小关系，只是不同类别。
乌黑=2、浅白=3
暗示 3 > 2，引入假顺序
每个取值占一格
只有「是 / 否」，无假大小
颜色有 3 种取值 → 用长度为 3 的向量表示。哪一种出现，对应位置写 1，其余写 0：
x₁ = 「乌黑」
无法计算
x₁ = [0, 1, 0]
3 维向量
原来「一个特征名 x₁」对应的是 1 个槽位；升维后，同一个特征名对应 K 个槽位（K = 类别数）。这就是输入参数的升维。
假设一只瓜：颜色=乌黑，根蒂=蜷缩，纹理=模糊：
标量时代：
现在 x₁ = [0, 1, 0] 是向量。若 w₁ 仍是单个数字，维度对不上——没法做点乘（Dot Product）。
颜色特征的权重也变成 3 个数，每个取值各有一个「好瓜贡献分」：
读作：模型认为「乌黑」最加分，「浅白」反而减分。
两个同长度向量逐位相乘，再全部加起来：
x₁ = [0, 1, 0]，w₁ = [0.8, 1.2, −0.3]
因为只有一个位置是 1，点乘结果直接等于被选中那个类别的权重。乌黑被选中 → 贡献就是 w乌黑 = 1.2。
x₁ = [1, 0, 0]，同样的 w₁：
同一套权重，换输入，分数从 1.2 变成 0.8——模型在学「哪种颜色更像好瓜」。
给每块特征各一组权重（数字是举例，真实值由训练学出来）：
| 特征 | 权重向量 | 输入（独热） | 点乘贡献 |
|---|---|---|---|
| 颜色 | [0.8, 1.2, −0.3] | [0, 1, 0] 乌黑 | 1.2 |
| 根蒂 | [1.5, 0.4, −1.0] | [1, 0, 0] 蜷缩 | 1.5 |
| 纹理 | [1.0, 0.2, −0.8] | [0, 0, 1] 模糊 | −0.8 |
工程里常把所有独热拼在一起，变成一个 9 维输入：
x = [0, 1, 0, 1, 0, 0, 0, 0, 1]
权重也拼成 9 维：
w = [0.8, 1.2, −0.3, 1.5, 0.4, −1.0, 1.0, 0.2, −0.8]
和分块点乘再相加，数学上完全一样——只是写法更紧凑。
若再加上重量 x₄ = 3.5（标量），总公式变成：
分类特征走向量点乘，数值特征走普通乘法，最后全部加起来。神经网络第一层就是在做这件事。
类别 → 独热向量
每个取值一个可学习参数
选出被激活的权重再累加
你可以试试：点选颜色 / 根蒂 / 纹理，拖动各类别权重，观察独热向量与最终分数如何变化。
数字特征：y = w·x + b，两边都是单个数字。
用独热编码：K 个取值 → K 维 0/1 向量，避免假顺序。
输入几维，对应权重就几维，才能做点乘。
结果等于「被选中那个类别」的权重；多特征再相加即可。