improve the doc of metrics introduction (#881)

* improve the doc of metrics introduction

* tweak the doc of metrics introduction

doc/fluid/user_guides/howto/evaluation_and_debugging/evaluation/metrics.rst

@@ -2,58 +2,65 @@
 模型评估
 ############
 
-模型评估是指用评价指标(metrics)反映模型在预期目标下的精度，可作为在训练中调整超参数、评估模型效果的重要依据。其中，评价指标根据模型任务决定，也被称为评价函数。评价函数和loss函数非常相似，但不参与模型的训练优化。
+模型评估是指用评价函数(metrics)来评估模型的好坏，可作为在训练中调整超参数、评估模型效果的重要依据。不同类型的模型任务会选取不同评价函数，常见的如回归类任务会用均方差(MSE)，二分类任务会用AUC (Area Under Curve)值等。
 
-评价函数的输入为模型的预测值(preds)和真实值(labels)，返回评价值。
-paddle.fluid.metrics模块提供了一系列常用的模型评价指标; 用户也可以方便的通过Python定制评价指标，或者是通过定制C++ Operator的方式，在GPU上加速评价指标的计算。
+评价函数和loss函数非常相似，但不参与模型的训练优化。
+ 
+
+评价函数的输入为模型的预测值(preds)和标注值(labels)，并返回计算后的评价指标。
+
+paddle.fluid.metrics模块提供了一系列常用的模型评价指标; 用户也可以通过Python接口定制评价指标，或者通过定制C++ Operator的方式，在GPU上加速评价指标的计算。
 
 常用指标
 ############
 
-根据不同的任务，会选用不同的评价指标。
+不同类型的任务，会选用不同的评价指标。
+ 
+回归问题通常会用RMSE(均方根误差)，MAE(平均绝对误差)，R-Square(R平方)等
+AUC(Area Under Cure)指标则常被用在分类任务(classification)上
+目标检测任务(Object Detection)则经常会用到mAP(Mean Average Precision) 
+ 
+paddle.fluid.metrics中包含了一些常用分类指标，例如Precision, Recall, Accuracy等 
 
-回归任务labels是实数，评价指标可参考 MSE (Mean Squared Error) 方法。
-分类任务常用指标为分类指标（classification metrics），本文提到的一般是二分类指标，多分类(multi-category)和多标签(multi-label)任务的评价指标需要查看对应的API文档。例如排序指标AUC可以同时用在二分类和多分类任务中，因为多分类任务可以转化为二分类任务。
-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
+下面是使用Precision指标的示例:
 
 .. code-block:: python
 
-   >>> import paddle.fluid as fluid
-   >>> label = fluid.layers.data(name="label", 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")
-   >>> acc = fluid.metrics.Precision()
-   >>> for pass_iter in range(PASSES):
-   >>>   acc.reset()
-   >>>   for data in train_reader():
-   >>>       loss, preds, labels = exe.run(fetch_list=[cost, pred, label])
-   >>>       acc.update(preds=preds, labels=labels)
-   >>>   numpy_acc = acc.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。
+   import paddle.fluid as fluid
+   label = fluid.layers.data(name="label", 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")
+   acc = fluid.metrics.Precision()
+   for pass_iter in range(PASSES):
+     acc.reset()
+     for data in train_reader():
+         loss, preds, labels = exe.run(fetch_list=[cost, pred, label])
+         acc.update(preds=preds, labels=labels)
+     numpy_acc = acc.eval()
+
 
 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。
+Fluid支持自定义指标，可灵活支持各类计算任务。下面是一个自定义的简单计数器评价函数示例:
+
+其中preds是模型预测值，labels是标注值。
 
 .. code-block:: python
 
-   >>> class MyMetric(MetricBase):
-   >>>     def __init__(self, name=None):
-   >>>         super(MyMetric, self).__init__(name)
-   >>>         self.counter = 0  # simple counter
+   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 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 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
+       def eval(self):
+           return self.counter