"add evaluation"

source/user_guides/howto/evaluation/index.rst

+############
+模型评估和调试
+############
+
+PaddlePaddle Fluid提供了常用的模型评估指标，并提供了VisualDL工具可视化模型效果。
+
+.. toctree::
+   :maxdepth: 2
+
+   metrics

source/user_guides/howto/evaluation/metrics.rst

+############
+模型评估
+############
+
+模型评估是用指标反映模型在预期目标下精度，根据模型任务决定观察指标，作为在训练中调整超参数，评估模型效果的重要依据。
+metric函数的输入为当前模型的预测preds和labels，输出是自定义的。metric函数和loss函数非常相似，但是metric并不是模型训练网络组成部分。
+
+用户可以通过训练网络得到当前的预测preds和labels，在Python端定制metric函数；也可以通过定制c++ Operator的方式，在GPU上加速metric计算。
+
+paddle.fluid.metrics模块包含该功能
+
+
+常用指标
+############
+
+metric函数根据模型任务不同，指标构建方法因任务而异。
+
+回归类型任务labels是实数，因此loss和metric函数构建相同，可参考MSE的方法。
+分类任务常用指标为分类指标，本文提到的一般是二分类指标，多分类和多标签需要查看对应的API文档。例如排序指标auc，多分类可以作为0，1分类任务，auc指标仍然适用。
+Fluid中包含了常用分类指标，例如Precision, Recall, Accuracy等,更多请阅读API文档。以 :ref:`Precision` 为例，具体方法为
+
+.. code-block:: python
+
+    labels = fluid.layers.data(name="data", shape=[1], dtype="int32")
+    data = fluid.layers.data(name="data", shape=[32, 32], dtype="int32")
+    pred = fluid.layers.fc(input=data, size=1000, act="tanh")
+    comp = fluid.metrics.CompositeMetric()
+    acc = fluid.metrics.Precision()
+    recall = fluid.metrics.Recall()
+    comp.add_metric(acc)
+    comp.add_metric(recall)
+    for pass in range(PASSES):
+      comp.reset()
+      for data in train_reader():
+          loss, preds, labels = exe.run(fetch_list=[cost, preds, labels])
+      comp.update(preds=preds, labels=labels)
+      numpy_acc, numpy_recall = comp.eval()
+      
+
+其他任务例如MultiTask Learning，Metric Learning，Learning To Rank各种指标构造方法请参考API文档。
+
+自定义指标
+############
+Fluid支持自定义指标，灵活支持各类计算任务。下文通过一个简单的计数器metric函数，实现对模型的评估。
+其中preds是模型预测值，labels是给定的标签。
+
+.. code-block:: python
+
+  class MyMetric(MetricBase):
+      def __init__(self, name=None):
+          super(MyMetric, self).__init__(name)
+          self.counter = 0  # simple counter
+
+      def reset(self):
+          self.counter = 0
+
+      def update(self, preds, labels):
+          if not _is_numpy_(preds):
+              raise ValueError("The 'preds' must be a numpy ndarray.")
+          if not _is_numpy_(labels):
+              raise ValueError("The 'labels' must be a numpy ndarray.")
+          self.counter += sum(preds == labels)
+
+      def eval(self):
+          return self.counter