要使用TensorFlow进行训练自己的数据集，以下是一些基本步骤：
准备数据集：将自己的数据集整理成TensorFlow可以接受的格式。常见的格式是将数据分为训练集和验证集，并将每个样本标记为其对应的类别。
定义模型：使用TensorFlow来定义一个适合您任务的模型。您可以使用TensorFlow提供的各种层和操作，或者构建自定义层和操作。
定义损失函数：选择合适的损失函数来评估模型的性能。对于分类任务，常见的损失函数是交叉熵损失函数。
定义优化器：选择一个优化器来最小化损失函数。常见的优化器有随机梯度下降（SGD）、Adam等。
训练模型：使用训练集数据来训练模型。通过将数据馈送到模型中并调用优化器来更新模型的参数。重复这个过程直到模型收敛。
评估模型：使用验证集数据来评估模型的性能。计算模型在验证集上的损失和准确率等指标。
调整参数：根据模型在验证集上的性能，对模型进行调整，如调整学习率、调整网络结构等。
测试模型：使用测试集数据来评估模型在真实场景下的表现。
这只是一个基本的训练流程，实际使用中还可能涉及到数据预处理、数据增强、模型保存和加载等步骤。可以根据具体任务和数据集的需求进行调整和补充。