验证集的程序可以根据不同的编程语言和库有所不同，但大体流程是相似的。以下是一个使用Python和scikit-learn库生成训练集和验证集的示例代码：
```python
import numpy as np
from sklearn.model_selection import train_test_split
生成一个虚拟数据集
X, y = np.arange（20）.reshape（（10, 2））, np.arange（10）
将数据集划分为训练集和验证集
X_train, X_val, y_train, y_val = train_test_split（X, y, test_size=0.2, random_state=42）
打印训练集和验证集的特征和标签
print（"训练集特征：\n", X_train）
print（"训练集标签：", y_train）
print（"验证集特征：\n", X_val）
print（"验证集标签：", y_val）
```
在这个示例中，我们首先导入了所需的库，然后生成了一个虚拟数据集`X`和`y`。接着，我们使用`train_test_split`函数将数据集划分为训练集和验证集，其中`test_size=0.2`表示验证集占数据集的20%。`random_state`参数用于确保每次运行代码时都能得到相同的数据划分结果。
如果你使用的是PyTorch库，可以使用以下代码来划分训练集、验证集和测试集：
```python
import torch
from torchvision import datasets, transforms
定义数据转换
transform = transforms.Compose（[transforms.ToTensor（）]）
加载数据集
trainset = datasets.CIFAR10（root='./data', train=True, download=True, transform=transform）
testset = datasets.CIFAR10（root='./data', train=False, download=True, transform=transform）
划分验证集数据
train_size = int（0.8 * len（trainset））
val_size = len（trainset） - train_size
trainloader = torch.utils.data.DataLoader（trainset, batch_size=128, shuffle=True, num_workers=2）
valloader = torch.utils.data.DataLoader（trainset, batch_size=128, shuffle=False, num_workers=2）
```
在这个示例中，我们首先定义了一个数据转换`transform`，然后加载了CIFAR10数据集，并将其划分为训练集和验证集。`train_size`设置为训练集数据量的80%，剩下的20%作为验证集。
根据你的具体需求和使用的库，可以选择合适的方法来划分验证集。重要的是要确保验证集的数据在模型训练过程中保持不变，以便准确评估模型的泛化能力。