交叉验证用于数据集的数据量不充足情况，将数据集分成训练集、验证集、测试集。
k折交叉验证，将数据集先分为训练集与测试集，再把训练集分成k份（大小相等）。其中，k-1份作为训练集训练模型，剩下的1份作为验证集进行模型的评估，把k次评估指标的平均值作为最终的评估指标。
以5折交叉验证，数据集大小6000为例：
1.将数据集分为5000训练，1000测试；
2.5折交叉验证时，把训练集分成等大小的5份，每份大小1000；
如图：
3.k折遍历k次，5折遍历5次。第一次把第1份作为验证集（最前面1000个），剩下4份作为训练集；第二次把第2份作为验证集，第1、3、4、5份作为验证集。以此类推，第5次将第5份做为验证集、第1、2、3、4份作为训练集；
4.5次评估指标的平均值作为最终的评估指标。
以下是代码实现：
#5折交叉验证
k = 5
mun_validation_samples = len(x_Train_normaliza) // k
#np.random.shuffle(x_Train_normaliza) #
validation_score = []
sum=0
import random
for fold in range(k):
validation_data = x_Train_normaliza[mun_validation_samples*fold:mun_validation_samples*(fold+1)]
validation_data_label=y_Trainonehot[mun_validation_samples*fold:mun_validation_samples*(fold+1)]
a=x_Train_normaliza[:mun_validation_samples * fold]
b=x_Train_normaliza[mun_validation_samples * (fold+1):]
training_data=np.append(a,b,axis=0)
c=y_Trainonehot[:mun_validation_samples*fold]
d= y_Trainonehot[mun_validation_samples*(fold+1):]
training_label=np.append(c,d,axis=0)
#training_label=y_Trainonehot[:mun_validation_samples*fold] + y_Trainonehot[mun_validation_samples*(fold+1):]
#打散数据
index = [i for i in range(len(training_data))]
random.shuffle(index)
data = training_data[index]
label = training_label[index]
#开始训练
train_history=model.fit(x=data, #使用model.fit进行训练，训练过程存储在train_history变量里
y=label,
epochs=2,
batch_size=200,#每次处理200张
verbose=2)#显示训练过程
#model.train(training_data)
validation_score = model.evaluate(validation_data,validation_data_label)
validation_score_accuracy=validation_score[1]
sum=sum+validation_score_accuracy
print('validation_score=',validation_score_accuracy)
validation_score_average=sum/k
print('validation_score_average',validation_score_average)
若想10折或其他折，将k=5改为k=10或其他想要的折
