NN通常用于不使用CV的大型数据集-而且非常昂贵。对于IRIS（每种物种有50个样本），您可能需要它。为什么不使用带有不同随机种子的scikit-learn来分开训练和测试？

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)

对于k倍的k：

1. 拆分数据，将不同的值传递给“ random_state”
2. 使用_train学习网络
3. 使用_test进行测试

如果您不喜欢随机种子，并且想要更结构化的k倍拆分，则可以使用此处的方法 。

from sklearn.model_selection import KFold, cross_val_score
X = ["a", "a", "b", "c", "c", "c"]
k_fold = KFold(n_splits=3)
for train_indices, test_indices in k_fold.split(X):
    print('Train: %s | test: %s' % (train_indices, test_indices))
Train: [2 3 4 5] | test: [0 1]
Train: [0 1 4 5] | test: [2 3]
Train: [0 1 2 3] | test: [4 5]

我知道这个问题很旧，但是如果有人想做类似的事情，请扩大ahmedhosny的回答：

新的tensorflow数据集API能够使用python生成器创建数据集对象，因此与scikit-learn的KFold一起使用的一个选项是从KFold.split（）生成器创建数据集：

import numpy as np

from sklearn.model_selection import LeaveOneOut,KFold

import tensorflow as tf
import tensorflow.contrib.eager as tfe
tf.enable_eager_execution()

from sklearn.datasets import load_iris
data = load_iris()
X=data['data']
y=data['target']

def make_dataset(X_data,y_data,n_splits):

    def gen():
        for train_index, test_index in KFold(n_splits).split(X_data):
            X_train, X_test = X_data[train_index], X_data[test_index]
            y_train, y_test = y_data[train_index], y_data[test_index]
            yield X_train,y_train,X_test,y_test

    return tf.data.Dataset.from_generator(gen, (tf.float64,tf.float64,tf.float64,tf.float64))

dataset=make_dataset(X,y,10)

然后，可以在基于图的张量流中或使用热切的执行来遍历数据集。使用热切的执行：

for X_train,y_train,X_test,y_test in tfe.Iterator(dataset):
    ....