在目标检测和分类任务中，每一个类别都需要一个编码来表示，同时，这个编码会用来计算网络的loss。比如有猫，狗，猪三种动物，这三种动物相互独立，在分类中，将其中任意一种分类为其他都同等的错误。
在这种情况下，我们比如将猫为0，狗为1，猪为2。就会出现一个问题，三者之间两两距离不同。 这在参与损失计算的时候是完全不能接受的：互相独立的标签之间，竟然出现了不对等的情况。
因此，需要有一种表示方法，将互相独立的标签表示为互相独立的数字，并且数字之间的距离也相等。
那么我们可以利用向量的正交性，也就是猫[1,0,0]，狗[0,1,0]，猪[0,0,1]。那么三者是相互独立的。也就是正交的。
可以这么理解，比如某个物体的分类为70%为猫，20%为狗，10%为猪。那么就有输出向量为[0.7,0.2,0.1]，这个向量可以理解为在One-Hot编码构成的向量空间中的一个具体值，那么在计算loss的时候，将该值和其groundtruth对应的向量进行比对。在训练中，如果该物体真的为猫，那么其groundtruth就是[1,0,0]，loss应该抑制后两个概率而增加第一位的概率。
例如这里假设一种loss计算 L o s s = ( G r o u n d T r u t h − 0.5 ) ⋅ P r e d i c t Loss=(GroundTruth-0.5)\cdot Predict Loss=(GroundTruth−0.5)⋅Predict就能够得到一个分数，这个分数的提升就代表着第一类的预测得分增大和后两项的减小。
One-Hot的缺点
当分类数量很大的时候，由于要保证各个分类的正交性，会产生维度爆炸的问题。