深度学习数据集划分：训练集、测试集、验证集代码示例

这是一个将数据集分为训练集、测试集和验证集的常见代码示例：

import numpy as np
from sklearn.model_selection import train_test_split

# 假设你有一个数据集 X 和标签 y
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
y = np.array([0, 1, 0, 1])

# 首先将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 再将训练集进一步划分为训练集和验证集
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.25, random_state=42)

# 你现在有了三个数据集：X_train, y_train（训练集），X_val, y_val（验证集），X_test, y_test（测试集）
# 可以根据需要将这些数据集用于深度学习模型的训练、验证和测试。

在上述代码中，数据集 X 和标签 y 被分为训练集（X_train, y_train）、验证集（X_val, y_val）和测试集（X_test, y_test）。train_test_split() 函数从 sklearn.model_selection 模块中导入，并且通过设置 test_size 参数来控制训练集和测试集的比例。在上述示例中，训练集和测试集比例为 0.8：0.2，然后再使用相同的方法将训练集进一步划分为训练集和验证集，比例为 0.75：0.25。

请注意，上述代码示例中的随机种子（random_state）设置为 42，这是为了保持结果的可复现性。你可以根据需要调整这些参数。