在PyTorch中，可以通過繼承torch.utils.data.Dataset類來自定義數據集。自定義數據集需要實現__len__和__getitem__兩個方法。

__len__方法返回數據集的大小，即樣本數量。__getitem__方法根據給定的索引返回對應的樣本。

下面是一個示例，展示了如何自定義一個簡單的數據集：

import torch
from torch.utils.data import Dataset

class CustomDataset(Dataset):
    def __init__(self, data):
        self.data = data
        
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, index):
        sample = self.data[index]
        # 在這里對樣本進行處理，例如進行預處理或轉換
        return sample

在上面的示例中，CustomDataset類接受一個data參數，該參數是一個列表或數組，包含所有樣本。__len__方法返回了數據集的大小，而__getitem__方法根據給定的索引返回對應的樣本。

使用自定義數據集時，可以通過torch.utils.data.DataLoader將其與模型一起使用，以便進行批量處理和迭代訓練：

# 創建自定義數據集
data = [...]
dataset = CustomDataset(data)

# 創建數據加載器
dataloader = torch.utils.data.DataLoader(dataset, batch_size=64, shuffle=True)

# 迭代數據加載器
for batch in dataloader:
    # 在這里進行模型訓練或推斷

上述代碼中，首先創建了一個自定義數據集dataset，然后使用torch.utils.data.DataLoader創建了一個數據加載器dataloader，其中batch_size參數指定了每個批次的樣本數量，shuffle=True參數表示要對數據進行隨機洗牌。

最后，可以通過迭代dataloader來獲取每個批次的樣本，并用于模型的訓練或推斷。