Remove api/paddle/metric/accuracy_cn.rst and api/paddle/metric/auc_cn.rst

doc/paddle/api/paddle/metric/accuracy_cn.rst

-.. _cn_api_fluid_metrics_Accuracy:
-
-Accuracy
--------------------------------
-.. py:class:: paddle.fluid.metrics.Accuracy(name=None)
-
-
-
-
-该接口用来计算多个mini-batch的平均准确率。Accuracy对象有两个状态value和weight。Accuracy的定义参照 https://en.wikipedia.org/wiki/Accuracy_and_precision 。
-
-参数:
-    - **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
-
-返回：初始化后的 ``Accuracy`` 对象
-
-返回类型：Accuracy
-
-**代码示例**
-
-.. code-block:: python
-
-        import paddle.fluid as fluid
-        # 假设有batch_size = 128
-        batch_size=128
-        accuracy_manager = fluid.metrics.Accuracy()
-        # 假设第一个batch的准确率为0.9
-        batch1_acc = 0.9
-        accuracy_manager.update(value = batch1_acc, weight = batch_size)
-        print("expect accuracy: %.2f, get accuracy: %.2f" % (batch1_acc, accuracy_manager.eval()))
-        # 假设第二个batch的准确率为0.8
-        batch2_acc = 0.8
-        accuracy_manager.update(value = batch2_acc, weight = batch_size)
-        #batch1和batch2的联合准确率为(batch1_acc * batch_size + batch2_acc * batch_size) / batch_size / 2
-        print("expect accuracy: %.2f, get accuracy: %.2f" % ((batch1_acc * batch_size + batch2_acc * batch_size) / batch_size / 2, accuracy_manager.eval()))
-        #重置accuracy_manager
-        accuracy_manager.reset()
-        #假设第三个batch的准确率为0.8
-        batch3_acc = 0.8
-        accuracy_manager.update(value = batch3_acc, weight = batch_size)
-        print("expect accuracy: %.2f, get accuracy: %.2f" % (batch3_acc, accuracy_manager.eval()))
-
-.. py:method:: update(value, weight)
-
-该函数使用输入的(value, weight)来累计更新Accuracy对象的对应状态，更新方式如下：
-
-    .. math::
-                   \\ \begin{array}{l}{\text { self. value }+=\text { value } * \text { weight }} \\ {\text { self. weight }+=\text { weight }}\end{array} \\
-
-参数：    
-    - **value** (float|numpy.array) – mini-batch的正确率
-    - **weight** (int|float) – mini-batch的大小
-
-返回：无
-
-.. py:method:: eval()
-
-该函数计算并返回累计的mini-batches的平均准确率。
-
-返回：累计的mini-batches的平均准确率
-
-返回类型：float或numpy.array
-

doc/paddle/api/paddle/metric/auc_cn.rst

-.. _cn_api_fluid_metrics_Auc:
-
-Auc
--------------------------------
-.. py:class:: paddle.fluid.metrics.Auc(name, curve='ROC', num_thresholds=4095)
-
-
-
-
-**注意**：目前只用Python实现Auc，可能速度略慢
-
-该接口计算Auc，在二分类(binary classification)中广泛使用。相关定义参考 https://en.wikipedia.org/wiki/Receiver_operating_characteristic#Area_under_the_curve 。
-
-该接口创建四个局部变量true_positives, true_negatives, false_positives和false_negatives，用于计算Auc。为了离散化AUC曲线，使用临界值的线性间隔来计算召回率和准确率的值。用false positive的召回值高度计算ROC曲线面积，用recall的准确值高度计算PR曲线面积。
-
-参数：
-    - **name** (str，可选) – 具体用法请参见 :ref:`api_guide_Name` ，一般无需设置，默认值为None。
-    - **curve** (str) - 将要计算的曲线名的详情，曲线包括ROC（默认）或者PR（Precision-Recall-curve）。
-
-返回：初始化后的 ``Auc`` 对象
-
-返回类型：Auc
-
-**代码示例**：
-
-.. code-block:: python
-
-    import paddle.fluid as fluid
-    import numpy as np
-    # 初始化auc度量
-    auc_metric = fluid.metrics.Auc("ROC")
-
-    # 假设batch_size为128
-    batch_num = 100
-    batch_size = 128
-
-    for batch_id in range(batch_num):
-        
-        class0_preds = np.random.random(size = (batch_size, 1))
-        class1_preds = 1 - class0_preds
-         
-        preds = np.concatenate((class0_preds, class1_preds), axis=1)
-         
-        labels = np.random.randint(2, size = (batch_size, 1))
-        auc_metric.update(preds = preds, labels = labels)
-        
-        # 应为一个接近0.5的值，因为preds是随机指定的
-        print("auc for iteration %d is %.2f" % (batch_id, auc_metric.eval()))
-
-.. py:method:: update(preds, labels)
-
-用给定的预测值和标签更新Auc曲线。
-
-参数： 
-    - **preds** (numpy.array) - 维度为[batch_size, 2]，preds[i][j]表示将实例i划分为类别j的概率。
-    - **labels** (numpy.array) - 维度为[batch_size, 1]，labels[i]为0或1，代表实例i的标签。
-
-返回：无
-
-.. py:method:: eval()
-
-该函数计算并返回Auc值。
-
-返回：Auc值
-
-返回类型：float
-