这取决于您“初始化网络”的意思，您应该显示一些代码片段以使人们了解您的问题。

原则上，k倍交叉验证是一种用于更好地估计模型性能的技术。 这个概念很简单，您只要将数据集拆分为训练/测试即可使用k倍，您可以在测试集中使用看不见的样本来估算性能/错误，但通常数据并不完美，有点脏，因此可能会发生“坏”的样本最终出现在测试集中，当您使用它们评估模型的性能时，您将获得一个不代表真实样本的值。

为减少误差/性能估计中的误差，您可以将数据集分成k个均匀分布的折叠，然后训练k次新模型（因此，权重都是从头开始初始化的），每次都在k个不同的“折叠”，并在数据集的其余样本上对其进行训练。

这样做，您将对模型的错误/性能有k个不同的估计。

如果要使用单个值作为度量，则只需对结果取平均值。 当然，您可以使用结果执行任何操作，可以选择最佳模型，可以平均k个模型的权重，可以平均“前n个”模型的权重，等等。

因此，回答您的问题，不，您不会保持体重。 在您正在训练的k个模型上，可能会出现其中一个“坏”的情况，但是您使用k折只是为了验证模型，而没有更好地训练它！ 验证后，您可以决定要做什么。 您正在寻找一种衡量模型“良好”程度的方法，通过这样做，您可以更加确定结果是否接近实际价值。

如果要使用数据集减少其他类型的错误（例如过度拟合或其他错误），则应检查集成方法。

我希望这会有所帮助