要训练自己的数据集，您可以按照以下步骤进行操作：
准备数据集：将数据集准备为适合TensorFlow训练的格式。这通常包括将数据分为训练集、验证集和测试集，并将数据转换为张量形式。
构建模型：使用TensorFlow构建适合您的任务的模型。您可以选择使用现有的预训练模型，或者从头开始构建。
定义损失函数：选择适当的损失函数，以衡量模型的预测结果与实际结果之间的差异。
配置优化器：选择合适的优化器，例如随机梯度下降（SGD）或Adam优化器，以最小化损失函数。
训练模型：使用训练数据集对模型进行训练。在每个训练步骤中，将输入数据提供给模型并计算损失函数，然后使用优化器来更新模型的参数。
评估模型：使用验证数据集对训练过程中的模型性能进行评估。比较模型的预测结果和实际结果，并计算评估指标，如准确率、精确率、召回率等。
调整模型：根据评估结果和需求对模型进行调整。您可以尝试不同的超参数设置、网络结构修改等来改进模型性能。
测试模型：使用测试数据集对最终训练好的模型进行测试。评估模型在未见过的数据上的性能。
以上是训练自己的数据集的基本步骤，具体的实现过程可能会因任务和数据集的不同而有所变化。可以根据具体情况，使用TensorFlow提供的API和工具进行实现。
