机器学习PAI 只train 不eval怎么配置的啊？

"
本地测试数据给个空就好了或者增加fit_on_eval = False的参数 ，此回答整理自钉群“【EasyRec】推荐算法交流群”"

在机器学习PAI中只进行训练（train）而不进行评估（eval），可以在配置文件中调整相关的参数。具体做法取决于你使用的框架和任务类型，以下是一些常见的方法：

• TensorFlow：在tf.estimator.train_and_evaluate函数中，你可以只提供训练Spec而忽略评估Spec。
• PyTorch：在训练循环中，你可以选择不编写评估部分的代码。
  如果你在使用PAI的某个特定工具或框架，建议查阅相关文档以了解如何配置只进行训练的任务。

如果您想在机器学习PAI（Platform as a Service）上只进行训练而不进行评估，您可以通过配置训练任务来实现。具体的配置步骤可能因您使用的PAI平台而有所不同，但以下是一般性的指导：

• 准备训练数据：首先，您需要准备用于训练的数据集。确保数据集符合PAI平台的要求，例如格式、数据类型等。
• 创建训练任务：在PAI平台上，您需要创建一个训练任务。在任务配置中，您可以指定训练算法、模型架构、训练参数等。确保配置正确，以适应您的训练需求。
• 配置训练参数：根据您的模型和数据集，您可能需要配置一些训练参数，例如学习率、批次大小、迭代次数等。这些参数将影响模型的训练效果。
• 提交训练任务：在配置完训练任务后，您可以提交任务以开始训练。确保提交的任务中不包括评估步骤。
• 监控训练过程：一旦提交了训练任务，您可以通过PAI平台的监控界面或日志查看训练进度、模型性能等信息。这有助于您了解模型的训练状态和性能。