代码解释：使用交叉验证训练和评估 CNN 模型

这段代码主要涉及模型的训练和评估过程，使用 5 折交叉验证来评估模型性能。

代码解释如下：

'fold = 5'：设置折叠（fold）的数量为 5，用于交叉验证。
'sum_acc=0'：用于累计准确率。
'for curr_fold in range(0, fold):'：对于每一个折叠（fold）。
'fold_size = datasets_theta.shape[0] // fold'：计算每个折叠（fold）的大小。
'indexes_list = [i for i in range(len(datasets_theta))]'：创建一个列表 'indexes_list'，用于存储索引的范围。
'indexes = np.array(indexes_list)'：将 'indexes_list' 转换为 numpy 数组，得到 'indexes'。
'split_list = [i for i in range(curr_fold * fold_size, (curr_fold + 1) * fold_size)]'：根据当前折叠（fold）的范围，创建一个列表 'split_list'。
'split = np.array(split_list)'：将 'split_list' 转换为 numpy 数组，得到 'split'。
'cnn_test_x = datasets_theta[split]'：根据 'split' 的索引，从 'datasets_theta' 中获取测试集的数据。
'test_y = labels[split]'：根据 'split' 的索引，从 'labels' 中获取测试集的标签。
'split = np.array(list(set(indexes_list) ^ set(split_list)))'：将 'indexes_list' 和 'split_list' 中不重复的索引合并，得到 'split'。
'cnn_train_x = datasets_theta[split]'：根据 'split' 的索引，从 'datasets_theta' 中获取训练集的数据。
'train_y = labels[split]'：根据 'split' 的索引，从 'labels' 中获取训练集的标签。
'train_sample = train_y.shape[0]'：获取训练集的样本数。
'index = np.array(range(0, len(train_y)))'：生成一个索引范围为 0 到训练集样本数的列表，并将其转换为 numpy 数组，得到 'index'。
'np.random.shuffle(index)'：随机打乱 'index' 的顺序。
'cnn_train_x = cnn_train_x[index]'：根据打乱后的索引重新排列训练集的数据。
'train_y = train_y[index]'：根据打乱后的索引重新排列训练集的标签。
'batch_num_per_epoch = math.floor(cnn_train_x.shape[0] / batch_size) + 1'：计算每个 epoch 中的训练批次数量。
'accuracy_batch_size = batch_size'：设置评估准确率时的批次大小。
'train_accuracy_batch_num = batch_num_per_epoch'：设置在训练时计算准确率时的批次数量。
'test_accuracy_batch_num = math.floor(cnn_test_x.shape[0] / batch_size) + 1'：计算在测试时计算准确率时的批次数量。
'with tf.Session(config=config) as session:'：创建一个 TensorFlow 会话。
'session.run(tf.global_variables_initializer())'：运行全局变量的初始化操作，对所有的变量进行初始化。
'for epoch in range(training_epochs):'：对于每个训练 epoch。
'cost_history = np.zeros(shape=[0], dtype=float)'：创建一个空的数组 'cost_history'，用于存储损失值。
'for b in range(batch_num_per_epoch):'：对于每个训练批次。
'start = b * batch_size'：计算当前批次的起始位置。
'if (b + 1) * batch_size > train_y.shape[0]:'：如果当前批次的结束位置超过了训练集样本数。
'offset = train_y.shape[0] % batch_size'：计算当前批次的偏移量。
'else:'：否则。
'offset = batch_size'：设置当前批次的偏移量为批次大小。
'cnn_batch = cnn_train_x[start:(start + offset), :, :, :]'：根据计算的起始位置和偏移量从训练集中获取当前批次的数据。
'cnn_batch = cnn_batch.reshape(len(cnn_batch) * window_size, input_height, input_width, input_channel_num)'：根据窗口大小将当前批次的数据进行形状变换，使其适应模型的输入形状。
'batch_y = train_y[start:(offset + start), :]'：根据计算的起始位置和偏移量从训练集中获取当前批次的标签。
'_, c = session.run([optimizer, cost ], feed_dict={cnn_in: cnn_batch, Y: batch_y, keep_prob: 1 - dropout_prob, phase_train: True})'：运行优化器和损失函数，通过占位符传入当前批次的数据和标签。
'summary, _ = session.run([merged_summary_op, optimizer], feed_dict={cnn_in: cnn_batch, Y: batch_y, keep_prob: 1 - dropout_prob, phase_train: True})'：运行摘要操作和优化器，通过占位符传入当前批次的数据和标签。
'cost_history = np.append(cost_history, c)'：将当前批次的损失值添加到 'cost_history' 数组中。

总结：这段代码主要用于模型的训练和评估过程。通过循环交叉验证，对每个折叠（fold）进行模型训练和测试。在每个训练 epoch 中，计算并记录损失值。对于每个训练批次，运行优化器和损失函数，更新模型参数。通过 TensorFlow 会话 'session' 运行模型。