深度学习实现交叉验证（图像、信号处理）

我们在写文章时，总是怕自己结果不能得到足够的可信度，及时设定了seed但也经常复现失败，于是我们会采用交叉验证的方法，是自己的结果可信度更高，一般以5折十折居多，这篇文章主要介绍实现的方法，以图像处理、信号识别等深度学习为基础背景进行介绍。

首先，像之前一样，读取出训练集，测试集并进行预处理（按自己的项目）

之后，融合训练集、测试集，以便后续重新划分，进行交叉验证。

X = np.append(train_set.X,test_set.X,axis=0)  # 训练集和测试集拼接起来
y = np.append(train_set.y,test_set.y,axis=0)  # 标签拼接

在之后采用指标寻址的方式，只需划分指标位置，即可。

i = 1
KF = KFold(n_splits=6, shuffle=True, random_state=100)
for train_index, test_index in KF.split(dataset.X):
    np.save("F:/脑电信号分类所用资料/SSVEP/SSVEP_Classify/k_fold_index/subject_{}/train_index_{}".format(subject_id, i), train_index)
    np.save("F:/脑电信号分类所用资料/SSVEP/SSVEP_Classify/k_fold_index/subject_{}/test_index_{}".format(subject_id, i), test_index)
    i=i+1

这是6折的例子，shuffle代表是否打乱数据进行划分，random_state是用于复现划分的，类似于seed

之后循环保存到指定位置（程序段是一个例子，采用时按照自己的项目地址更改）

划分结束后，为检查是否划分完成或者划分是否正确，可以进行读取。

index = [1, 2, 3, 4, 5, 6]
for i in index:   
    print('*' * 25, '第', i, '折', '*' * 25)

    train_index = np.load("F:/脑电信号分类所用资料/SSVEP/SSVEP_Classify/k_fold_index/subject_{}/train_index_{}.npy".format(subject_id, i))
    test_index = np.load("F:/脑电信号分类所用资料/SSVEP/SSVEP_Classify/k_fold_index/subject_{}/test_index_{}.npy".format(subject_id, i))

    print("train_index:{},test_index:{}".format(train_index, test_index))

之后，进行按刚才划分的指标分配数据

train_set_X = dataset.X[train_index]  # 训练集
train_set_y = dataset.y[train_index]  # 测试集
test_set_X = dataset.X[test_index]  # 训练集label
test_set_y = dataset.y[test_index]  # 测试集label

后续工作设定在以循环形式进行的，比如我是6折，那就设为

index = [1, 2, 3, 4, 5, 6]
for i in index:

之后进行和之前未使用交叉验证时一样的运行工作