写具体代码，计算含有85个类的numpy数组y_true的roc auc值，使用sigmoid函数对预测值进行归一化，并且要用到label_binarize函数和roc_auc_score函数

可以使用以下代码计算含有85个类的numpy数组y_true的roc auc值：

from sklearn.preprocessing import label_binarize
from sklearn.metrics import roc_auc_score

# 假设 y_pred 为模型的预测值，shape 为 (n_samples, n_classes)
# 首先使用 sigmoid 函数对预测值进行归一化
y_pred_norm = 1 / (1 + np.exp(-y_pred))

# 对 y_true 进行二进制编码
y_true_bin = label_binarize(y_true, classes=list(range(85)))

# 计算 ROC AUC 值
roc_auc = roc_auc_score(y_true_bin, y_pred_norm, average='macro')

其中，`label_binarize` 函数将大小为 `(n_samples,)` 的 y_true 一维数组编码为大小为 `(n_samples, n_classes)` 的二进制数组，每一列对应一种类别，如果样本属于该类别，则对应位置上的值为 1，否则为 0。这里通过传入 `classes=list(range(85))` 参数来指定类别总数为 85。

`roc_auc_score` 函数用于计算 ROC AUC 值，其中 `y_true_bin` 是经过二进制编码的 y_true 数组，`y_pred_norm` 是经过 sigmoid 函数归一化的预测值，`average='macro'` 指定对所有类别的 ROC AUC 值取平均。