stderr 里面看看。此回答整理自钉群“【EasyRec】推荐算法交流群”

在机器学习PAI训练期间，你可以使用Python的print函数在work节点打印auc。

具体步骤如下：

在你的Python代码中导入所需的模块，例如sklearn库和numpy库等。

在代码中执行模型训练，并在训练过程中计算auc值。

使用Python的print()函数将auc值打印到控制台。

在PAI上提交训练任务时，设置日志级别为DEBUG或更高级别，以便在控制台上查看训练过程中的输出。

以下是示例代码，展示了如何在PAI的work节点上打印AUC：

from sklearn.metrics import roc_auc_score import numpy as np

加载数据并进行训练

X_train, X_test, y_train, y_test = load_data() model.fit(X_train, y_train)

在测试集上进行预测，并计算AUC值

y_pred_proba = model.predict_proba(X_test)[:, 1] auc = roc_auc_score(y_test, y_pred_proba)

在控制台上打印AUC值

print("AUC: {}".format(auc)) 提交任务时，可以将日志级别设置为DEBUG，这样就可以在PAI的控制台上实时查看训练过程中的AUC值输出。例如：

pai -name tensorflow115 -project test -Dlog_level=DEBUG --k8s_gpu_type=xxx -jobtype tensorflow115 --file xxx.py

在机器学习PAI平台的训练任务中，您可以在训练脚本中使用fluid.metrics.Auc()函数来计算和打印Area Under Curve (AUC)并将其输出到日志中。同时，您需要将训练脚本添加到PAI中进行提交并配置好训练任务。

以下是一个简单的示例代码，演示如何在其训练过程中使用Auc()函数：

import paddle.fluid as fluid

train_program = fluid.Program()
startup_program = fluid.Program()

# 创建计算图
with fluid.program_guard(train_program, startup_program):
    # 加载数据并定义网络结构
    ...

    # 构建Auc计算节点
    auc_metric = fluid.metrics.Auc()

    # 构建优化器
    optimizer = fluid.optimizer.AdagradOptimizer(
        learning_rate=0.005)
    optimizer.minimize(cost)

# 定义Executor
place = fluid.CUDAPlace(0)
exe = fluid.Executor(place)
exe.run(startup_program)

# 定义训练循环
for epoch_id in range(num_epochs):
    for batch_id, data in enumerate(train_reader()):
        loss, auc_value = exe.run(
            program=train_program,
            feed=feeder.feed(data),
            fetch_list=[cost] + auc_metric.metrics
        )
        print("Epoch {:03d}, Batch {:03d}, Loss {:.04f}, AUC {:.04f}"
              .format(epoch_id, batch_id, loss[0], auc_value[0]))

在上面的示例代码中，使用了fluid.metrics.Auc()函数创建了一个AUC计算节点。在训练循环中，使用auc_metric.metrics获取AUC计算节点中的AUC指标并打印出来。

您可以将上面的示例代码替换为自己的训练脚本，并将其提交到PAI上进行训练。训练日志中将会包含AUC的输出。

在阿里云机器学习PAI训练过程中，您可以使用tf.summary模块将训练过程中的指标（如AUC）写入TensorBoard日志中。并通过TensorBoard界面查看训练过程中的各项指标变化。

同时，您也可以通过在训练中使用print()函数的方式在Work节点打印相关信息或指标。您可以在训练代码中的合适位置添加print()函数实现。

例如：在训练的每个epoch结束后，通过以下代码获取AUC值并在Work节点打印出来：

# 模型训练过程中每个epoch结束时计算AUC
auc, _ = model.evaluate(x_test, y_test, verbose=0)
print('AUC: %.2f%%' % (auc*100))

另外，在使用print()函数在Work节点打印AUC信息时，需要注意的是，由于训练过程可能会持续较长时间，打印的信息可能会很多，因此最好将信息写入日志文件中，而不是直接打印在控制台上，以便后续分析。您可以使用Python标准库中的logging模块实现。例如：

import logging

# 配置日志
logging.basicConfig(filename='train.log', level=logging.INFO)

# 模型训练过程中每个epoch结束时计算AUC并写入日志
aic, _ = model.evaluate(x_test, y_test, verbose=0)
logging.info('AUC: %.2f%%' % (auc*100))

上述代码会将AUC信息写入到名为train.log的日志文件中，在训练过程中可随时查看日志信息。

在机器学习 PAI 平台上，可以使用 TensorBoard 工具来实时可视化模型训练的进度和性能指标，包括 AUC。

首先，在代码中要用 TensorBoard 相关的 API 将 AUC 数据写入日志文件，一般情况下是通过 tf.summary.scalar() 函数将 AUC 等数值类型变量写入到日志文件中。示例代码如下：

import tensorflow as tf

AUC 指标的计算

auc, update_op = tf.metrics.auc(labels, predictions)

记录 AUC 的摘要信息

tf.summary.scalar('AUC', auc)

在会话中执行 update_ops 来计算 AUC

with tf.Session() as sess: sess.run(tf.local_variables_initializer()) for i in range(num_batches): _, summary_str = sess.run([update_op, summary_op], feed_dict=...) writer.add_summary(summary_str, global_step=i) 然后，在作业提交时需要配置 TensorBoard 的服务端地址和端口号，并且在作业配置界面勾选“tensorboard”启用该服务。等到任务启动后，在 work 节点中可以通过浏览器访问 TensorBoard 界面并查看训练进度和性能指标。例如，如果 TensorBoard 服务的端口号为 port，那么在 work 节点上打开浏览器输入 URL：http://work_node_ip:port 即可打开 TensorBoard 界面。在界面左侧的“SCALARS”选项卡中可以看到记录的 AUC 数据，并进行具体的查看和分析。