在PyTorch中訓練自己的數據集通常需要以下步驟：

1. 準備數據集：首先需要準備自己的數據集，包括訓練集和測試集。可以使用PyTorch中的torch.utils.data.Dataset和torch.utils.data.DataLoader來加載自己的數據集。

2. 定義模型：接下來需要定義模型架構，可以使用PyTorch中的torch.nn.Module來創建自己的模型。

3. 定義損失函數和優化器：然后需要定義損失函數和優化器。可以使用PyTorch中提供的損失函數和優化器，如torch.nn.CrossEntropyLoss和torch.optim.SGD等。

4. 訓練模型：接下來就可以開始訓練模型了。遍歷數據集，將數據傳入模型進行前向傳播計算損失，然后反向傳播更新模型參數，迭代訓練直至收斂。

5. 評估模型：最后可以使用測試集對訓練好的模型進行評估，計算模型在測試集上的性能指標，如準確率等。

以下是一個簡單的例子：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader

# 定義數據集類
class CustomDataset(Dataset):
    def __init__(self):
        # 加載數據集
        pass
    
    def __len__(self):
        # 返回數據集大小
        pass
    
    def __getitem__(self, idx):
        # 返回數據和標簽
        pass

# 定義模型類
class CustomModel(nn.Module):
    def __init__(self):
        super(CustomModel, self).__init__()
        # 定義模型層
        pass
    
    def forward(self, x):
        # 前向傳播
        pass

# 準備數據集
dataset = CustomDataset()
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

# 定義模型
model = CustomModel()

# 定義損失函數和優化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 訓練模型
for epoch in range(10):
    for data, target in dataloader:
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()

# 評估模型
# 使用測試集進行評估

通過以上步驟，你可以訓練自己的數據集并得到一個訓練好的模型。具體的實現可能會根據數據集和模型的不同而有所調整。