當訓練任務結束，常常需要評價函數（Metrics）來評估模型的好壞。不同的訓練任務往往需要不同的Metrics函數。例如，對于二分類問題，常用的評價指標有precision（準確率）、recall（召回率）等，而對于多分類任務，可使用宏平均（Macro）和微平均（Micro）來評估。

MindSpore提供了大部分常見任務的評價函數，如Accuracy、Precision、MAE和MSE等，由于MindSpore提供的評價函數無法滿足所有任務的需求，很多情況下用戶需要針對具體的任務自定義Metrics來評估訓練的模型。

本章主要介紹如何自定義Metrics以及如何在mindspore.train.Model中使用Metrics。

自定義Metrics

自定義Metrics函數需要繼承mindspore.train.Metric父類，并重新實現父類中的clear方法、update方法和eval方法。

• clear：初始化相關的內部參數。
• update：接收網絡預測輸出和標簽，計算誤差，每次step后并更新內部評估結果。
• eval：計算最終評估結果，在每次epoch結束后計算最終的評估結果。

平均絕對誤差（MAE）算法如式(1)所示：

下面以簡單的MAE算法為例，介紹clear、update和eval三個函數及其使用方法。

模型訓練中使用Metrics

mindspore.train.Model是用于訓練和評估的高層API，可以將自定義或MindSpore已有的Metrics作為參數傳入，Model能夠自動調用傳入的Metrics進行評估。

在網絡模型訓練后，需要使用評價指標，來評估網絡模型的訓練效果，因此在演示具體代碼之前首先簡單擬定數據集，對數據集進行加載和定義一個簡單的線性回歸網絡模型：

使用內置評價指標

使用MindSpore內置的Metrics作為參數傳入Model時，Metrics可以定義為一個字典類型，字典的key值為字符串類型，字典的value值為MindSpore內置的評價指標，如下示例使用train.Accuracy計算分類的準確率。

使用自定義評價指標

如下示例在Model中傳入上述自定義的評估指標MAE()，將驗證數據集傳入model.fit()接口邊訓練邊驗證。

驗證結果為一個字典類型，驗證結果的key值與metrics的key值相同，驗證結果的value值為預測值與實際值的平均絕對誤差。

?