写一份关于深度学习交叉验证的代码

以下是使用Python编写的深度学习交叉验证代码示例：

from sklearn.model_selection import KFold
from keras.models import Sequential
from keras.layers import Dense
import numpy as np

# 生成模拟数据
X = np.random.random((1000, 10))
Y = np.random.randint(2, size=(1000, 1))

# 定义模型
model = Sequential()
model.add(Dense(8, input_dim=10, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 定义交叉验证
kfold = KFold(n_splits=5, shuffle=True, random_state=0)
cv_scores = []

# 进行交叉验证
for train, test in kfold.split(X, Y):
    # 拆分数据集
    X_train, X_test = X[train], X[test]
    Y_train, Y_test = Y[train], Y[test]
    
    # 训练模型
    model.fit(X_train, Y_train, epochs=50, batch_size=32, verbose=0)
    
    # 评估模型
    scores = model.evaluate(X_test, Y_test, verbose=0)
    cv_scores.append(scores[1] * 100)

# 输出平均准确率及标准差
print('CV accuracy: %.2f%% (+/- %.2f%%)' % (np.mean(cv_scores), np.std(cv_scores)))

在上述代码中，首先生成了一个包含1000个样本和10个特征的模拟数据集。然后定义了一个包含一个输入层、一个隐藏层和一个输出层的神经网络模型，并编译了模型。接着使用`KFold`函数定义了一个包含5个折叠的交叉验证，并通过循环进行了交叉验证。在每次循环中，首先使用`split`函数将数据集拆分成训练集和测试集，然后使用`fit`函数训练模型，最后使用`evaluate`函数评估模型性能。在循环结束后，计算了所有折叠的平均准确率和标准差，并输出结果。