在pytorch中实现十折交叉验证

 本想在网上找个代码，看到大部分写的代码有点乱，有些直接自己把交叉验证代码撸了出来，也不知道对不对，我不敢用。然后我还是自己结合sklearn库的交叉验证接口来应用到torch中进行交叉验证。
 关于各种交叉验证方式介绍可看这里：Sklearn中不同的数据抽样验证方式

 ⭐下面以10折交叉验证为例，结合sklearn库。给出一个在pytorch中进行10折交叉验证的模板：

def train_():
	pass
def eval_():
	pass

import collections
history = collections.defaultdict(list) # 记录每一折的各种指标

from sklearn.model_selection import KFold, StratifiedShuffleSplit, StratifiedKFold
skf = KFold(n_splits=10,shuffle=True,random_state=42)
#skf = StratifiedShuffleSplit(n_splits=10,test_size=0.1,random_state=42)
#skf = StratifiedKFold(n_splits=10, shuffle=True, random_state=42)

for fold, (train_idx, val_idx) in enumerate(skf.split(x,y])):
	print('**'*10,'第', fold+1, '折','ing....', '**'*10)
	# for循环得到每一折的训练索引和验证索引，就可以对数据集进行抽取了。
	# 抽取完之后，我们得到了训练数据和验证数据，那就分别转成torch的Dataset形式
	# 然后再分别加载进torch的Dataloader里即可。
	
	# 假设我们已经得到了训练数据的loader和验证数据的loader
	train_data_loader = ~
	val_data_loader = ~
	
	# 记住：每一折都要实例化新的模型，不然模型会学到测试集的东西
	model = Model()
	for epoch in range(Epoch):
		print('——'*10, f'Epoch {epoch + 1}/{EPOCHS}', '——'*10)
		train_(model, train_data_loader,...)
	
	metrics1, metrics2, ... = eval_(model, val_data_loader,...)
	history['metrics1'].append(metrics1)
	history['metrics2'].append(metrics2)
	.
	.
	.
	剩下就是按你自己的逻辑写即可。

# 最后对每一折的结果取平均即可作为10折交叉验证的结果。
m1 = np.mean(history['metrics1'])
m2 = np.mean(history['metrics2'])