当训练任务结束，常常需要评价函数（Metrics）来评估模型的好坏。不同的训练任务往往需要不同的Metrics函数。例如，对于二分类问题，常用的评价指标有precision（准确率）、recall（召回率）等，而对于多分类任务，可使用宏平均（Macro）和微平均（Micro）来评估。
MindSpore提供了大部分常见任务的评价函数，如Accuracy、Precision、MAE和MSE等，由于MindSpore提供的评价函数无法满足所有任务的需求，很多情况下用户需要针对具体的任务自定义Metrics来评估训练的模型。
本章主要介绍如何自定义Metrics以及如何在mindspore.train.Model中使用Metrics。
自定义Metrics
自定义Metrics函数需要继承mindspore.train.Metric父类，并重新实现父类中的clear方法、update方法和eval方法。
- clear：初始化相关的内部参数。
- update：接收网络预测输出和标签，计算误差，每次step后并更新内部评估结果。
- eval：计算最终评估结果，在每次epoch结束后计算最终的评估结果。
平均绝对误差（MAE）算法如式(1)所示：
下面以简单的MAE算法为例，介绍clear、update和eval三个函数及其使用方法。
模型训练中使用Metrics
mindspore.train.Model是用于训练和评估的高层API，可以将自定义或MindSpore已有的Metrics作为参数传入，Model能够自动调用传入的Metrics进行评估。
在网络模型训练后，需要使用评价指标，来评估网络模型的训练效果，因此在演示具体代码之前首先简单拟定数据集，对数据集进行加载和定义一个简单的线性回归网络模型：
使用内置评价指标
使用MindSpore内置的Metrics作为参数传入Model时，Metrics可以定义为一个字典类型，字典的key值为字符串类型，字典的value值为MindSpore内置的评价指标，如下示例使用train.Accuracy计算分类的准确率。
使用自定义评价指标
如下示例在Model中传入上述自定义的评估指标MAE()，将验证数据集传入model.fit()接口边训练边验证。
验证结果为一个字典类型，验证结果的key值与metrics的key值相同，验证结果的value值为预测值与实际值的平均绝对误差。
