使用KFold交叉验证方法划分训练集和验证集

在进行深度学习时，为了提高精度，或者为了评估我们模型的优劣，以及如何选择一个更好的模型。这样我们就需要用到交叉验证方法。

我们主要实现如何使用KFold划分训练集和验证集

#coding:utf-8
from sklearn.model_selection import KFold
def select_train_val(all_path, seed):
    kfold = KFold(5, shuffle=True, random_state=seed)
    splits = list(kfold.split(patients_dir))
    train_datasets = []
    val_datasets = []
    for n in range(0, fold_number):
        train_idx, val_idx = splits[n]
        print("first idx of train", train_idx[0])
        print("first idx of test", val_idx[0])
        train = [patients_dir[i] for i in train_idx]
        val = [patients_dir[i] for i in val_idx]
    return train_datasets, val_datasets
if __name__ == "__main__":
    from glob import glob
    path = r"/home/wpx/BraTS2019/Train/*"
    all_file = glob(path)
    # 这是获取到5折对应的训练集和验证集，我们如果只是的用来划分训练集和验证集，我们最终可以随机选择某一折，比如选第一折划分好的训练集和验证集，可以这样操作：
    #train_data, val_data = train_dataset[1], val_dataset[1]
    train_dataset, val_dataset = select_train_val(all_file,1234)