参考：  https://machinelearningmastery.com/evaluate-performance-deep-learning-models-keras/

（1）一种自动划分  训练集、验证集

# Fit the model

model.fit(X, Y, validation_split=0.33, epochs=150, batch_size=10)

（2）还有一种情况，自己手动设置验证集

# Fit the model

model.fit(X_train, y_train, validation_data=(X_test,y_test), epochs=150, batch_size=10)

（3） n-fold cross validation  

原博客提到，一般深度学习模型，不太经常使用 n-fold cross validation。 主要是因为计算量太大。当然，如果数据比较小，可以使用n-fold cv。先计算每个fold的评估值，然后再计算平均值。

### 在分n-fold的时候，可以尝试sklearn自带的一些函数。例如stratifiedKFold  （from sklearn.model_selection import StratifiedKFold）

for train, test in kfold.split(X, Y):

    # create model

    # Compile model

    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

    # Fit the model

    model.fit(X[train], Y[train], epochs=150, batch_size=10, verbose=0)

    # evaluate the model

    scores = model.evaluate(X[test], Y[test], verbose=0)

    print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

cvscores.append(scores[1] * 100)

print("%.2f%% (+/- %.2f%%)" % (numpy.mean(cvscores), numpy.std(cvscores)))