要识别自己提供的数据集，需要将数据集准备成与MNIST数据集相同的格式，即将数据集转换为torchvision.datasets.ImageFolder类的格式。具体步骤如下：

1. 创建一个文件夹，将所有的图片放在该文件夹下，并按照类别分好子文件夹。
2. 使用torchvision.transforms.Compose创建一个数据预处理的管道，包括将图片转换为tensor、归一化等操作。
3. 使用torchvision.datasets.ImageFolder创建一个数据集对象，将文件夹路径和数据预处理管道传入，即可得到一个数据集对象。
4. 使用torch.utils.data.DataLoader将数据集包装成一个数据加载器，可以设置batch_size等参数。
5. 在训练和测试时，使用该数据加载器加载数据即可。

具体代码如下：

from torchvision.datasets import ImageFolder from torchvision.transforms import Compose, ToTensor, Normalize from torch.utils.data import DataLoader

BATCH_SIZE = 128 TEST_BATCH_SIZE = 1000

准备数据集

def get_dataloader(train, batch_size=BATCH_SIZE): transform_fn = Compose([ ToTensor(), Normalize(mean=(0.1307,), std=(0.3081,)) ]) # mean和std的形状与通道数相同

if train:
    data_folder = 'train_folder'
else:
    data_folder = 'test_folder'
dataset = ImageFolder(root=data_folder, transform=transform_fn)
data_loader = DataLoader(dataset, batch_size=batch_size, shuffle=True)
return data_loader

训练和测试代码不变，可以直接使用