在Keras中加载自定义的数据集通常需要以下步骤：
准备数据集：首先，将自定义的数据集准备好，包括数据文件、标签文件等。
创建数据生成器：在Keras中通常使用ImageDataGenerator类来创建数据生成器，用于在训练模型时从数据集中生成批量的数据。
加载数据：使用数据生成器的flow_from_directory()方法来加载数据集，该方法从指定的目录中加载数据，并可设置批量大小、图像大小等参数。
数据预处理：根据需要对加载的数据进行预处理，如归一化、缩放等操作。
下面是一个示例代码，演示了如何在Keras中加载自定义的数据集：
from keras.preprocessing.image import ImageDataGenerator
# 创建数据生成器
data_gen = ImageDataGenerator(rescale=1./255) # 对数据进行归一化
# 加载数据集
train_generator = data_gen.flow_from_directory(
'path/to/train_data',
target_size=(224, 224), # 图像大小
batch_size=32,
class_mode='categorical' # 分类标签
)
# 创建模型
model = some_model()
# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
# 训练模型
model.fit(train_generator, epochs=10)
在上面的示例中，我们首先创建了一个ImageDataGenerator对象，并设置了数据归一化的操作。然后使用flow_from_directory()方法加载了训练数据集，设置了图像大小、批量大小和分类标签。接着创建了一个模型，并编译模型。最后使用fit()方法训练模型，传入数据生成器作为训练数据来源。
