tf.keras.metrics.AUC和sklearn.metrics.auc计算结果不一致

问题：

tf.keras.metrics.AUC和sklearn.metrics.auc计算结果差别较大，如果用这样一个不准确的auc设置earlystop，可能会影响模型效果

经过一天的调研，差别原因如下：

 sklearn.metrics.auc只会计算label=1的auc，而tf.keras.metrics.AUC在多分类情况下，会将每一类的输出flattened，视作一列计算（每个样本对于每一类的数据均会被视为一个点），在样本不均衡的情况下，会得到较高的AUC

解决方法：

auc = tf.keras.metrics.AUC(name='auc',num_thresholds=498
                           ,multi_label=True,label_weights=[0,1]) 

num_thresholds：切分阈值的数量，sklearn中默认为498，Keras中默认为200

multi_label：默认False，True为对每一类输出结果计算AUC，并求平均

label_weights：在multi_label=True的情况下，在AUC平均时给每一类结果设置权重

设置以上参数后，可使tf.keras.metrics.AUC和sklearn.metrics.auc计算的auc基本一致