为什么在Keras中，binary_crossentropy的性能优于categorical_crossentropy？

Question

我在stackoverflow中看到了许多类似的问题，但这都与我的情况无关。

我遇到了多类分类问题，我的标签是互斥的。

由于拼写错误，使用binary_crossentropy进行训练，可降低损失并提高准确性。有趣的是，与stackoverflow中的其他问题不同，我正在打印Keras的“ categorical_accuracy”。我的标签是一键编码的。

因此，确切地说，我的代码如下：

net = Sequential() 
net.add(TimeDistributed(model_A, input_shape=(timesteps,960, 75, 1))) 
net.add(LSTM(100))
net.add(Dropout(0.5))
net.add(Dense(100, activation='relu'))
net.add(Dense(len(labels), activation='softmax'))

net.compile(loss='binary_crossentropy', optimizer=adam_opt, metrics=['binary_accuracy', 'categorical_accuracy'])

当我注意到错别字和更糟糕的结果时，我也尝试使用“ categorical_crossentropy”进行训练。怎么解释？