我不想训练cifar-10这个数据集，我想训练我自己的数据集D:\wjd\tpfl在这个路径下

如果你想使用自己的数据集进行训练，你需要将数据集处理成与 cifar-10 数据集相同的格式。cifar-10 数据集中每张图片的大小是 $32\times32$ 像素，每个像素由 3 个颜色通道组成（即 RGB 通道），所以每张图片的维度是 $3\times32\times32$。同时，每张图片都有一个标签，标签的取值范围是 0 到 9，表示该图片所属的类别。

假设你的数据集中每张图片的大小是 $64\times64$ 像素，每个像素由 3 个颜色通道组成，你可以按照如下方法修改 `train_r` 函数：

def train_r(buffered_size=1024):
    def reader():
        xs = []
        ys = []
        # 读取自己的数据集
        for i in range(1, 6):
            with open("D:/wjd/tpfl/train/data_batch_%d" % (i,), 'rb') as f:
                train_dict = pickle.load(f, encoding='bytes')
            xs.append(train_dict[b'data'])
            ys.append(train_dict[b'labels'])
        # 将图像数据转换成 NumPy 数组，并进行大小和通道的变换
        Xtr = np.concatenate(xs).reshape(-1, 3, 64, 64).transpose(0, 2, 3, 1)
        Ytr = np.concatenate(ys)
        for (x, y) in zip(Xtr, Ytr):
            yield x, int(y)
    return paddle.reader.xmap_readers(train_mapper, reader, cpu_count(), buffered_size)

在这段代码中，我们首先使用 `with open()` 语句打开自己的数据集中的训练数据文件，然后使用 `pickle.load()` 方法加载其中的数据，将所有的图像数据和标签数据分别存储在 `xs` 和 `ys` 列表中。接下来，我们将图像数据转换成 NumPy 数组，并进行大小和通道的变换，使其与 cifar-10 数据集相同。具体来说，我们使用 `reshape` 方法将所有的图像数据转换成 $3\times64\times64$ 的形状，然后使用 `transpose` 方法将通道维度移动到最后一个维度上。最后，使用 `zip` 函数将图像数据和标签数据打包成元组，然后使用 `yield` 语句将它们逐一返回。在返回数据之前，还将调用 `train_mapper` 函数对读取的图像数据进行归一化处理。