不幸且令人困惑的是，tf.contrib.metrics.streaming_auc() 采用与 tf.confusion_matrix() 不同的参数。您应该不将类标签传递给这个类标签，这与 tf.confusion_matrix() 不同。
这里predictions 应该是每个类的概率（你从y_pred_class 得到的值tf.argmax()...）。
标签也应该是 one_hot 格式，而且是布尔张量。 （您可以简单地将其转换为布尔值，0 将变为假，1 将变为真。）
查看您的代码，另一个问题是您必须为您运行的每个批次运行 AUC update_op，以便 AUC 可以累积数据。另一方面，一旦完成一定数量，您需要重置 AUC 的内部变量为零，以便进一步计算，例如用于验证的 AUC，或下一个训练批次'不包括以前的数据。为此，您需要能够在所有变量中找出这些变量，因此我将其放在变量范围内，我称之为“AUC”。综上所述，我更改了代码的几个部分（将在底部附上完整的运行、测试代码以供参考）：
定义 auc 的位置（注意，我已从 contrib 中已弃用的版本切换到当前版本 tf.metrics.auc()）：
with tf.variable_scope( "AUC" ):
auc, auc_update_op = tf.metrics.auc( predictions=y_pred, labels=y_true, curve = 'ROC' )
auc_variables = [ v for v in tf.local_variables() if v.name.startswith( "AUC" ) ]
auc_reset_op = tf.initialize_variables( auc_variables )
show_progress() 函数（注意msg = ... 行中的一些格式更改，这些并非绝对必要，但仅反映我的口味）：
def show_progress(epoch, feed_dict_train, feed_dict_validate, val_loss):
acc, auc_value = session.run([ accuracy, auc_update_op ], feed_dict=feed_dict_train)
session.run( auc_reset_op )
val_acc, val_auc_value = session.run([ accuracy, auc_update_op ], feed_dict=feed_dict_validate)
session.run( auc_reset_op )
msg = 'Training Epoch {} --- Tr Acc: {:>6.1%}, Tr AUC: {:>6.1%}, Val Acc: {:>6.1%}, Val AUC: {:>6.1%}, Val Loss: {:.3f}'
print(msg.format(epoch + 1, acc, auc_value, val_acc, val_auc_value, val_loss))
最后，在train() 函数中，注意插入的auc_update_op：
session.run( [ optimizer, auc_update_op ], feed_dict=feed_dict_tr)
另外，将会话初始化放在最后，就像“最佳实践”一样，这不是绝对必要的：
with tf.Session() as session:
#session.run(tf.initialize_all_variables())
# need to init local variables for internal auc calculations
init = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())
session.run( init )
train( num_iteration=10000 )
有了这个，输出是：
训练 Epoch 1 --- Tr Acc：51.6%，Tr AUC：51.0%，Val Acc：46.1%，Val AUC：46.1%，Val Loss：4.893
训练时期 2 --- Tr Acc：53.9%，Tr AUC：53.0%，Val Acc：53.5%，Val AUC：55.3%，Val Loss：0.691
训练 Epoch 3 --- Tr Acc：65.6%，Tr AUC：63.9%，Val Acc：65.2%，Val AUC：69.0%，Val Loss：0.647
训练时期 4 --- Tr Acc：71.1%，Tr AUC：71.6%，Val Acc：68.0%，Val AUC：74.8%，Val Loss：0.586
训练 Epoch 6 --- Tr Acc：73.0%，Tr AUC：76.8%，Val Acc：69.5%，Val AUC：75.9%，Val Loss：0.588
训练时期 7 --- Tr Acc：77.3%，Tr AUC：82.4%，Val Acc：73.8%，Val AUC：77.7%，Val Loss：0.563
训练 Epoch 8 --- Tr Acc：81.2%，Tr AUC：87.0%，Val Acc：78.9%，Val AUC：85.2%，Val Loss：0.475
训练 Epoch 9 --- Tr Acc：83.6%，Tr AUC：90.9%，Val Acc：75.0%，Val AUC：83.5%，Val Loss：0.517
训练 Epoch 11 --- Tr Acc：91.8%，Tr AUC：94.3%，Val Acc：73.0%，Val AUC：81.4%，Val Loss：0.646
（见附件train.html或train.ipynb下面）
数据：
Data is on Kaggle, from the Dogs vs. Cats competition (train.zip)
三种格式的可运行测试主代码（请注意，您需要根据您的特定设置调整代码中的数据路径，并根据您的硬件容量调整批量大小）：
train.ipynbtrain.htmltrain.py
必需（导入）文件，将其放在与train 相同的文件夹中：
dataset.py