https://stats.stackexchange.com/questions/260505/machine-learning-should-i-use-a-categorical-cross-entropy-or-binary-cross-entro 是相关的。

根据我的阅读，当你有一个神经网络并对你可能称之为“链接类别数据”的二进制交叉熵进行分析时，准确性往往比分类交叉熵模型更好。二进制方面意味着类别可以在决定确切类别之前进行多次拆分，当数据在树状层次结构中像这样分类可拆分时，准确性可能会更好。

想想如果每件衣服都有自己的特殊名称，记住某人衣橱中每种衣服的名称是多么困难。与它们是否具有结构相关的名称（例如第一类的上/下）相比，它会在您的上半部分或下半部分发出警告。其次是内或外。它是衣服的内层或外层。学习这种二进制名称/特征类别可以实现更准确的模型。如果它是以这种方式无关的数据，它很可能不会那么准确。二元模型可以利用学习这些特征，而我认为多分类模型假设独立并尝试最好地学习每个组的特征，并预测它在每个类别中的确定程度。