有啥代码可以实现，获得新的模型用新的数据进行重新训练模型，就是我的一个代码里有三个数据集，如何在训练完第一个数据集合后重新开始训练第二个训练集，并清空第一个训练集

这个需要看你使用的是哪个深度学习框架了，以下以 PyTorch 为例：

在 PyTorch 中，可以使用 `torch.utils.data.DataLoader` 和 `torch.utils.data.Dataset` 来加载和处理数据集。如果要在训练完第一个数据集后重新开始训练第二个数据集，可以先将第一个数据集的 DataLoader 对象和模型的参数都保存下来，然后重新加载第二个数据集，重新构建 DataLoader 对象，并重新开始训练模型。

具体实现步骤如下：

1. 在训练第一个数据集后，保存模型的参数和 DataLoader 对象：

torch.save(model.state_dict(), 'model_1.pth')
torch.save(train_dataloader, 'train_dataloader_1.pth')

2. 清空第一个数据集的 DataLoader 对象，并加载第二个数据集：

del train_dataloader
train_dataset_2 = MyDataset_2(...)
train_dataloader = DataLoader(train_dataset_2, batch_size=..., shuffle=..., num_workers=...)

3. 加载第一步保存的模型参数：

model.load_state_dict(torch.load('model_1.pth'))

4. 重新开始训练模型：

for epoch in range(num_epochs):
    for batch in train_dataloader:
        # 前向传播、反向传播等操作
        ...

torch.save(model.state_dict(), 'model_2.pth')  # 保存第二个数据集训练后的模型参数

这样就可以完成在训练完第一个数据集后重新开始训练第二个数据集的操作了。需要注意的是，如果使用 GPU 训练模型，则在重新加载数据集时也要确保将数据集和模型参数都放到 GPU 上。