使用onehot编码可以解决分类问题中的标签之间的距离问题。举个例子，假设有三个完全独立的类别，比如：胡桃：1，刻晴：2，心海：3。如果我们只赋予他们这种数值的标签，那么将导致胡桃与刻晴之间的距离<胡桃到心海之间的距离，这是有问题的，另外如果我们平均两个分类为1和3的模型，最后得到的结果却是刻晴，这也是有问题的，平均的结果应该是胡桃与心海五五开。这时我们使用onehot编码就不会出现这种问题，例如：胡桃：（1，0，0），刻晴：（0，1，0），心海：（0，0，1），这样他们三者彼此到彼此的距离都是一致的，而且这种onehot编码也更适宜于交叉熵损失函数。

onehot编码的一个缺陷就是，它使得标签中的所有类别彼此之间距离或相似度都是一致的，因此，在自然语言处理中，我们还要把单词做一下word2vec做一下编码，使得语义相近的词，他们的编码向量也比较一致。在视觉模型分类中，一般使用onehot即可，因为我们的类别数不会像单词那么多。