paddlenlp.datasets.dataset.DatasetBuilder模块如何实现自定义数据集，请代码展示

PaddleNLP 中的 `DatasetBuilder` 模块提供了一个便捷的方式来加载和处理自定义数据集。下面是一个示例代码，展示如何使用 `DatasetBuilder` 自定义数据集：

import os
from paddlenlp.datasets.dataset_builder import DatasetBuilder

# 自定义数据集的路径
data_dir = "/path/to/custom_dataset"

# 定义自己的DatasetBuilder，需要继承DatasetBuilder类
class CustomDataset(DatasetBuilder):
    # 数据集的名称，用于指定数据集
    # 可以在PaddleNLP中使用的名称有：'chnsenticorp', 'lcqmc', 'msra_ner'
    # 如果没有使用PaddleNLP提供的数据集名称，可以使用自己设定的名称
    # 在后续的使用中，需要使用DatasetBuilder.get_dataset方法指定数据集名称
    NAME = "custom_dataset"

    # 数据集的元数据，用于指定数据集的一些基本信息，比如数据集的版本，作者，URL等
    META_INFO = {
        "version": "1.0.0",
        "citation": "Custom Dataset",
        "author": "custom_author",
        "url": "https://www.custom-dataset.com",
    }

    # 数据集的文件名称，用于指定数据集的文件名
    # 可以是单个文件，也可以是一个文件列表
    # 如果是多个文件，需要在read函数中进行合并
    SPLITS_FILENAME = {
        "train": "train.txt",
        "dev": "dev.txt",
        "test": "test.txt",
    }

    # 定义数据集的schema，用于指定数据集的数据格式
    # 例如，如果数据集是一个文本分类任务，那么schema可能是{"text": str, "label": int}
    # 如果数据集是一个序列标注任务，那么schema可能是{"text": str, "label": List[int]}
    # 如果数据集是一个问答任务，那么schema可能是{"context": str, "question": str, "answers": List[str], "label": int}
    # 在read函数中，需要将每个样本转换为schema中指定的格式
    # 例如，如果数据集是一个文本分类任务，那么每个样本可能是一个字典{"text": "this is a text", "label": 0}
    # 在read函数中，需要将每个样本中的"text"和"label"分别提取出来，转换为schema中指定的格式
    # 如果不需要提取，可以将schema中的key和value都设为None
    # schema = {"text": str, "label": int}
    schema = {"text": str, "label": int}

    def __init__(self, lazy: bool = True, **kwargs):
        """
        自定义数据集的构造函数，需要调用父类的构造函数，并传入一些参数
        """
        super().__init__(lazy=lazy, **kwargs)

    def _get_data(self, mode, **kwargs):
        """
        从数据集文件中读取数据，并返回一个迭代器
        """
        # 指定数据集文件路径
        file_path = os.path.join(data_dir, self.SPLITS_FILENAME[mode])

        # 读取数据，并将每个样本转换为schema中指定的格式
        with open(file_path, "r", encoding="utf-8") as f:
            for line in f:
                text, label = line.strip().split("\t")
                yield {"text": text, "label": int(label)}

# 使用自定义数据集
custom_dataset = CustomDataset()
train_ds, dev_ds, test_ds = custom_dataset.get_datasets(["train", "dev", "test"])

上述代码中，我们定义了一个自定义数据集 `CustomDataset`，并继承了 `DatasetBuilder` 类。在 `CustomDataset` 中，我们需要指定数据集的名称、元数据、文件名称、数据格式等信息，并在 `_get_data` 函数中读取数据并返回一个迭代器。最后，我们可以使用 `get_datasets` 方法获取数据集的训练集、验证集和测试集。