在使用AWS Sagemaker进行机器学习模型训练时，可以使用交叉验证来评估模型的性能，而不仅仅是使用专门的验证集。下面是一个示例代码，演示如何在Sagemaker中使用交叉验证。

首先，我们需要导入必要的库和模块：

import numpy as np
import pandas as pd
from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestClassifier
from sagemaker import get_execution_role
from sklearn.datasets import load_iris

接下来，加载示例数据集（这里使用的是Iris数据集），并将其划分为特征和标签：

iris = load_iris()
X = iris.data
y = iris.target

然后，创建一个Sagemaker会话和角色：

sagemaker_session = sagemaker.Session()
role = get_execution_role()

接下来，创建一个随机森林分类器模型：

model = RandomForestClassifier(n_estimators=100)

然后，使用cross_val_score函数进行交叉验证，并打印每个折叠的得分：

scores = cross_val_score(model, X, y, cv=5)
print("Cross-validation scores: ", scores)
print("Mean accuracy: ", np.mean(scores))

最后，运行代码并查看结果。这样，您就可以使用交叉验证来评估模型的性能，而无需显式地划分专门的验证集。

请注意，要在Sagemaker中运行此代码，您需要确保已经设置了正确的Sagemaker角色和访问权限，并且已经安装了必要的库和模块（如sklearn和pandas）。