k-分割交差検証を用いたCNNによる画像分類を行いたい

前提・実現したいこと

現在では、ホールドアウト法を用いたCNNによる画像分類までは実装できております。
ホールドアウト法では検証する度に大きく精度が変わるため、k-分割交差検証を用いたいです。
どのように実装すれば宜しいでしょうか。

該当のソースコード

python3
1import keras
2from keras.models import  Sequential
3from keras.layers import Dense,Dropout,Flatten
4from keras.layers import Conv2D,MaxPooling2D
5from keras.optimizers import  RMSprop
6from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img
7import numpy as np
8
9#cnnのモデルを定義する
10
11def def_model(in_shape,nb_classes):
12    model=Sequential()
13    model.add(Conv2D(32,
14                    kernel_size=(3,3),
15                    activation="relu",
16                    input_shape=in_shape))
17    model.add(Conv2D(32,(3,3),activation="relu"))
18    model.add(MaxPooling2D(pool_size=(2,2)))
19    model.add(Dropout(0.25))
20    
21    model.add(Conv2D(64,(3,3),activation="relu"))
22    model.add(Conv2D(64,(3,3),activation="relu",name="relu_conv2"))
23   #最後の畳み込み層の名称を後ほど使うので定義しておく。
24    model.add(MaxPooling2D(pool_size=(2,2)))
25    model.add(Dropout(0.25))
26    
27    model.add(Flatten())
28    model.add(Dense(512,activation="relu"))
29    model.add(Dropout(0.5))
30    model.add(Dense(nb_classes,activation="softmax"))
31    
32    return model
33
34#コンパイル済みのcnnのモデルを返す
35
36def get_model(in_shape,nb_classes):
37    model=def_model(in_shape,nb_classes)
38    model.compile(
39        loss="categorical_crossentropy",
40        optimizer=RMSprop(),
41        metrics=["accuracy"])
42    return model
43
44datagen = ImageDataGenerator(
45        rotation_range=45,
46        vertical_flip=True,
47        horizontal_flip=True,
48    fill_mode='nearest')
49
50def images_gen(x_list,y_list):
51    x_list_add=[]
52    y_list_add=[]
53    for x ,y in zip(x_list,y_list):#xは(3, 150, 150)で受け取る
54        x = x.reshape((1,) + x.shape)  #(1, 3, 150, 150)に変換する
55
56        batch_list=[]
57        i = 0
58        for batch in datagen.flow(x, batch_size=1):
59            batch=batch.astype(np.uint8)#データ型を揃える
60            batch=batch.reshape((32, 32, 3))
61            x_list_add.append(batch)
62            y_list_add.append(y)
63            i += 1
64            if i > 9:#１枚から10枚作る
65                break             
66    x_np_add=np.array(x_list_add)
67    y_np_add=np.array(y_list_add)
68
69            
70    return x_np_add,y_np_add
71

python3
1import cnn_model
2import keras
3import matplotlib.pyplot as plt
4import numpy as np
5from sklearn.model_selection import train_test_split
6
7#入力と出力を指定
8im_rows=32
9im_cols=32
10im_color=3
11in_shape=(im_rows,im_cols,im_color)
12nb_classes=3
13
14#写真データを読み込み
15photos=np.load("./photos.npz")
16x=photos["x"]
17y=photos["y"]
18
19#読み込んだデータを三次元配列に変換
20x=x.reshape(-1,im_rows,im_cols,im_color)
21
22#学習用とテスト用に分ける
23x_train,x_test,y_train,y_test=train_test_split(x,y,train_size=0.8)
24
25#ここで水増し
26x_train_add,y_train_add=cnn_model.images_gen(x_train,y_train)
27
28x_train_add=x_train_add.astype("float32")/255
29x_test=x_test.astype("float32")/255
30
31#ラベルデータをone-hotベクトルに直す
32y_train_add=keras.utils.np_utils.to_categorical(y_train_add.astype("int32"),nb_classes)
33y_test=keras.utils.np_utils.to_categorical(y_test.astype("int32"),nb_classes)
34
35model=cnn_model.get_model(in_shape,nb_classes)
36
37#学習を実行
38hist=model.fit(x_train_add,y_train_add,
39              batch_size=32,
40              epochs=20,
41              verbose=1,
42              validation_data=(x_test,y_test))
43
44#モデルを評価
45score=model.evaluate(x_test,y_test,verbose=1)
46print("正解率=",score[1],"loss=",score[0])
47
48#学習の様子をグラフへ描写
49#正解率の推移をプロット
50plt.plot(hist.history["acc"])
51plt.plot(hist.history["val_acc"])
52plt.title("Accuracy")
53plt.legend(["train","test"],loc="upper left")
54plt.show()
55
56#ロスの推移をプロット
57plt.plot(hist.history["loss"])
58plt.plot(hist.history["val_loss"])
59plt.title("Loss")
60plt.legend(["train","test"],loc="upper left")
61plt.show()
62
63model.save_weights("./photos.hdf5")