要訓練自己的數據集，首先需要將數據集加載到PyTorch的Dataset對象中，然后使用DataLoader對數據集進行批處理。接著，定義一個神經網絡模型，并選擇合適的損失函數和優化器。最后，通過迭代訓練數據集，計算損失并反向傳播更新模型參數。

以下是一個簡單的示例代碼，展示如何使用PyTorch訓練自己的數據集：

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

# 定義自定義數據集類
class CustomDataset(Dataset):
    def __init__(self, data):
        self.data = data

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        return self.data[idx]

# 創建自定義數據集對象
data = [torch.randn(10), torch.randn(10), torch.randn(10)]
dataset = CustomDataset(data)

# 使用DataLoader進行批處理
dataloader = DataLoader(dataset, batch_size=2, shuffle=True)

# 定義神經網絡模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = nn.Linear(10, 1)

    def forward(self, x):
        x = self.fc(x)
        return x

# 初始化模型、損失函數和優化器
model = Net()
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 訓練模型
for epoch in range(10):
    for batch in dataloader:
        optimizer.zero_grad()
        output = model(batch)
        loss = criterion(output, torch.ones(batch.size(0), 1))
        loss.backward()
        optimizer.step()
    
    print(f'Epoch {epoch+1}, Loss: {loss.item()}')

在上面的示例中，我們首先定義了一個自定義的數據集類，然后創建了數據集對象，并使用DataLoader進行批處理。接著定義了一個簡單的神經網絡模型，選擇了均方誤差損失函數和隨機梯度下降優化器。最后通過迭代訓練數據集，更新模型參數并輸出每個epoch的損失值。您可以根據自己的實際情況對代碼進行相應的修改和調整。