要训练自己的数据集，首先需要将数据加载到PyTorch的Dataset中，并创建一个对应的DataLoader来对数据进行批处理和加载。然后定义一个神经网络模型，定义损失函数和优化器，并在训练循环中迭代数据并更新模型参数。以下是一个简单的示例代码：
import torchimport torch.nn as nnimport torch.optim as optimfrom torch.utils.data import DataLoader, Dataset# 定义自己的数据集类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]# 定义神经网络模型class Model(nn.Module): def __init__(self): super(Model, self).__init__() self.fc = nn.Linear(10, 1) # 输入特征维度为10 def forward(self, x): return self.fc(x)# 加载数据集data = torch.randn(100, 10)dataset = CustomDataset(data)dataloader = DataLoader(dataset, batch_size=10, shuffle=True)# 定义模型、损失函数和优化器model = Model()criterion = nn.MSELoss()optimizer = optim.SGD(model.parameters(), lr=0.001)# 训练模型num_epochs = 10for epoch in range(num_epochs): for batch_idx, batch_data in enumerate(dataloader): optimizer.zero_grad() output = model(batch_data) loss = criterion(output, torch.ones(batch_data.size(0))) # 目标值为1 loss.backward() optimizer.step() if batch_idx % 10 == 0: print('Epoch [{}/{}], Batch [{}/{}], Loss: {:.4f}' .format(epoch+1, num_epochs, batch_idx, len(dataloader), loss.item()))在上面的示例中，我们定义了一个简单的自定义数据集类和神经网络模型类。然后加载数据集，定义模型、损失函数和优化器，并进行训练。在训练循环中，我们迭代数据加载器中的每个批次数据，并计算损失、反向传播、更新模型参数。您可以根据您的数据集和模型的具体情况进行适当的调整和修改。
