对于变分自编码器VAE的重构损失使用均方差MSE还是二分类交叉熵的思考

当前网络上的关于VAE模型损失函数尤其是重构损失这里，有的使用均方差损失MSE,有的使用二分类交叉熵。那么，到底该使用哪一种或者说两者都可以？

一、均方差损失

loss_MSE = torch.nn.MSELoss(reduction = ‘sum’)
这个自不必说，是合理的

二、交叉熵

loss_BCE = torch.nn.BCELoss(reduction = ‘sum’)
或
F.binary_cross_entropy(x_reconst, x, size_average=False)
理论上来说，交叉熵适用于伯努利分布这样的二元概率分布。当前网上给出的VAE模型使用的数据是minist手写数字数据集。

Mnist数据集

Mnist数据集分为两部分，60000张训练集和10000张测试集。图片为28X28个像素。Mnist数据集把代表一张图片的二维数据转开成一个向量，长度为28X28=784。训练集是一个形状为[60000, 784]的张量，第一个维度数字用来索引图片，第二个维度数字用来索引每张图片中的像素点，图片里的某个像素的强度值介于0-1之间。
那么，对于每个值在[0, 1]区间的minist数据集的训练，用交叉熵做重构损失是否合理呢？对于其它非minist数据集呢？