自己划分验证集和数据集，只需要修改single_train.py FIDataset这个类。可以在读取annotation后把index打乱后直接切片。例如我读取10000个annotation后，利用

 

indices = np.random.permutation(annotations.shape[0])
annotations = annotations.iloc[indices]
train_annotations=annotations [:9000]
val_annotations=annotations[9000:]

 

去切分数据集。这样可以避免，验证集存于训练集中。我只是粗略的写了一下代码，具体的逻辑你可以在FIDataset.load_FI()函数中实现。

 

 

 

 

 

 

 

 

 

在做深度学习时，经常需要将数据集划分为3份，本代码可按照比例划分数据集，df为dataframe，ratio_train，ratio_test，ratio_val分别为训练集、测试集和验证集的比例。直接调用函数即可
from sklearn.model_selection import train_test_split
def train_test_val_split(df,ratio_train,ratio_test,ratio_val):
train, middle = train_test_split(df,test_size=1-ratio_train)
ratio=ratio_val/(1-ratio_train)
test,validation =train_test_split(middle,test_size=ratio)
return train,test,validation
演示例子：将数据集df按照训练集：测试集：验证集=0.6:0.2:0.2的比例划分
train,test,val=train_test_val_split(df,0.6,0.2,0.2)

在做深度学习时，经常需要将数据集划分为3份，本代码可按照比例划分数据集，df为dataframe，ratio_train，ratio_test，ratio_val分别为训练集、测试集和验证集的比例。直接调用函数即可

from sklearn.model_selection import train_test_split

def train_test_val_split(df,ratio_train,ratio_test,ratio_val):

    train, middle = train_test_split(df,test_size=1-ratio_train)

    ratio=ratio_val/(1-ratio_train)

    test,validation =train_test_split(middle,test_size=ratio)

    return train,test,validation

演示例子：将数据集df按照训练集：测试集：验证集=0.6:0.2:0.2的比例划分

train,test,val=train_test_val_split(df,0.6,0.2,0.2)

有些数据集没有单独划分验证集，只有训练集和测试集，需要自己划分

from sklearn.model_selection import train_test_split
from sklearn import datasets
iris = datasets.load_iris()
# 30%用于测试集，70%用于训练集
X_train,X_test,y_train,y_test= train_test_split(iris.data,iris.target,test_size=0.3,random_state=0)