我正在尝试在模型训练期间记录AUC。
根据文件，tf.metric.auc需要一个label和predictions，两者的形状相同。
但在二元分类的情况下，label是一个一维张量，只包含类。prediction是二维的，包含每个数据点的每个类的概率。
在这种情况下如何计算AUC？
让我们看一下函数tf.metrics.auc中的参数：
labels：形状与预测匹配的张量。将被投到bool.predictions：任意形状的浮点张量，其值在[0, 1]范围内。
此操作已假定为二元分类。也就是说，labels中的每个元素都声明该类对于单个样本是"正"还是"负"。它不是一个 1-hot 向量，它需要一个元素与独占类数量一样多的向量。
同样，predictions表示具有一定确定性的预测二进制类(有些人可能称之为概率)，并且每个元素也应该引用一个样本。它不是一个softmax向量。
如果概率来自具有 2 个神经元的完全连接层和网络头部的 softmax 激活的神经网络，请考虑将其替换为单个神经元和 sigmoid 激活。输出现在可以直接馈送到tf.metrics.auc。
否则，您可以只对预测张量进行切片以仅考虑正类，这将表示相同的二进制类：
auc_value, auc_op = tf.metrics.auc(labels, predictions[:, 1])