在PyTorch中，搭建自己的神经网络通常需要以下步骤：

导入必要的库：

import torch
import torch.nn as nn
import torch.optim as optim

创建一个自定义的神经网络类，继承nn.Module类，并在构造函数中定义网络的结构：

class MyNet(nn.Module):
    def __init__(self):
        super(MyNet, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.fc2 = nn.Linear(hidden_size, output_size)
    
    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

定义输入数据的维度和输出数据的维度：

input_size = 784  # 输入数据的维度
hidden_size = 128  # 隐藏层的大小
output_size = 10  # 输出数据的维度

初始化神经网络模型：

model = MyNet()

定义损失函数和优化器：

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

训练神经网络模型：

for epoch in range(num_epochs):
    for i, (inputs, labels) in enumerate(train_loader):
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

通过以上步骤，您就可以在PyTorch中搭建自己的神经网络并进行训练。您可以根据自己的需求定义不同的网络结构和参数，以得到最佳的训练效果。