auc,acc,mae,rmse这四项指标对predict和label的形状以及数据类型的要求

（AUC、准确率、平均绝对误差（MAE）、均方根误差（RMSE））对于预测（predict）和真实标签（label）之间的形状和数据类型有一些要求。

AUC（Area Under the ROC Curve）：

• 形状要求：AUC 的计算通常要求预测值（predict）和真实标签（label）的形状都是一维的，并且具有相同的长度。
• 数据类型：AUC 的计算通常要求预测值是概率值，而真实标签是二进制标签（0 或 1）或者与之等价的布尔类型，以表示正类和负类。

准确率（Accuracy）：

• 形状要求：准确率的计算要求预测值（predict）和真实标签（label）的形状都是一维的，并且具有相同的长度。
• 数据类型：准确率的计算要求预测值是类别标签，通常是整数类型，而真实标签也是类别标签，与预测值类型相匹配。

MAE（Mean Absolute Error）：

• 形状要求：MAE 的计算要求预测值（predict）和真实标签（label）的形状都是一维的，并且具有相同的长度。
• 数据类型：MAE 的计算通常要求预测值和真实标签都是数值类型，如浮点数或整数。

RMSE（Root Mean Square Error）：

• 形状要求：RMSE 的计算要求预测值（predict）和真实标签（label）的形状都是一维的，并且具有相同的长度。
• 数据类型：RMSE 的计算通常要求预测值和真实标签都是数值类型，如浮点数或整数。

在使用这些指标进行计算时，确保预测值和真实标签的形状和数据类型满足上述要求，以获得正确的结果。通常情况下，库函数（如Scikit-Learn或PyTorch内置的函数）会在内部处理这些要求，但在自定义计算时需要注意这些细节。