1：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。
分类任务常用指标为分类指标，Fluid中包含了常用分类指标，例如Precision，Recall，Accuracy等。
2：Visual DL工具
Visual DL是一个面向深度学习任务设计的可视化工具，包含scalar、参数分布、模型结构、图像可视化等工等，项目正处于告诉迭代中，新的组建会不断加入。
目前大多数DNN平台均使用Python作为配置语言，VisualDL原生支持python的使用， 通过在模型的Python配置中添加几行，便可以为训练过程提供丰富的可视化支持。
除了Python SDK之外，VisualDL底层采用C++编写，其暴露的C++ SDK也可以集成到其他平台中， 实现原生的性能和定制效果。
组件：
VisualDL目前支持4种组件：
2.1:graph
2.2scalar
2.3image
2.4histogram
2.1 graph
兼容 ONNX(Open Neural Network Exchange)[https://github.com/onnx/onnx], 通过与 python SDK的结合，VisualDL可以兼容包括 PaddlePaddle, pytorch, mxnet在内的大部分主流DNN平台。
2.2scalar
可以用于展示训练测试的误差趋势
2.3 image
可以用于可视化任何tensor，或模型生成的图片
2.4Histogram
用于可视化任何tensor中元素分布的变化趋势