在终端设备上部署模型时，常需要先压缩网络规模。现给定一批样本矩阵 X（n 行 d 列）、一层线性分类器的权重矩阵 W（d 行 c 列），以及剪枝比例 ratio。请对 W 进行“按行剪枝”（即移除整行，对应丢弃一个输入特征），然后用剪枝后的模型对每个样本做预测，输出每行样本的预测类别索引（从 0 开始）。
任务要求
- 剪枝指标：对 W 的每一行计算 L1 范数（该行各元素绝对值之和）。L1 越小，越不重要。
- 剪枝行数：k = floor(ratio × d)。若 ratio > 0 且 floor(ratio × d) = 0，则令 k = 1（至少剪 1 行）。
- 剪枝规则：移除 L1 范数最小的 k 行，得到新权重 W'（形状为 (d−k) × c）。
- 特征对齐：将 X 中与被移除行同索引的列一并删除，得到 X'（形状为 n × (d−k)）。
- 线性输出：h = X' × W'，得到大小为 n × c 的分数矩阵。
- 稳定 Softmax：对 h 的每一行 i，先减去该行最大值，再做 softmax，得到概率分布 y_i。softmax 仅用于说明稳定做法；最终类别索引与直接对 h 行取最大位置相同。
- 预测结果：对每行取 argmax（若有并列则取最左的列索引），输出为一行，用空格分隔各样本类别索引。
