为什么使用onehot 独热编码的形式？

直接原因.

卷积神经网络进行分类任务时，需要进行softmax运算，输出每一个类别的概率值，将标签设置为onehot的形式，能够更好的表征图像的类别属性，再使用交叉熵损失函数的时候，能够得到更高的分类效果。

通常使用onehot的形式处理离散型的数据。

在深度学习中，特征之间的距离计算或事相似度计算是十分重要的，独热编码将离散型数据扩展到欧式空间，离散特征的某个取值对应欧式空间的某个点

离散型的数据特征进行独热编码后，相当于每一维度的特征都是连续的特征。

比如分类任务：有10个类别，那么每张图片进行独热编码进行标签，将每张图片特征转换为连续的特征。（0，0，0，1，0，0，0，0，0，0）

不适用onehot的情况：

当每个类别不是独立的情况下，存在着某种连续型的关系的时候，使用分布式更加合理。