在PyTorch中，我们可以使用自定义数据集类来加载自己的数据集。以下是一个简单的教程，展示如何创建自定义数据集类。

首先，我们需要导入必要的库：

import torch
from torch.utils.data import Dataset, DataLoader

接下来，我们创建一个自定义数据集类，继承自Dataset类。我们需要实现__len__方法和__getitem__方法。

class CustomDataset(Dataset):
    def __init__(self, data):
        self.data = data
    
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, idx):
        sample = self.data[idx]
        return sample

在上面的代码中，我们定义了一个名为CustomDataset的类，其__init__方法用于初始化数据，__len__方法返回数据集的长度，__getitem__方法用于获取数据集中的样本。

接下来，我们创建一个数据集实例，并使用DataLoader加载数据集。

data = [1, 2, 3, 4, 5]
custom_dataset = CustomDataset(data)
dataloader = DataLoader(custom_dataset, batch_size=2, shuffle=True)

for batch in dataloader:
    print(batch)

在上面的代码中，我们首先定义了一个包含一些样本数据的列表data，然后创建了CustomDataset的实例custom_dataset，最后使用DataLoader加载数据集并设置批量大小和是否洗牌。最后，我们通过循环迭代DataLoader来访问数据集中的批量样本。

这就是一个简单的PyTorch自定义数据集的教程。您可以根据自己的需求自定义数据集类，以便加载和处理自己的数据集。