要解决“贝叶斯搜索tensorflow模型库自定义数据集”的问题，可以按照以下步骤进行操作：

1. 准备数据集：首先，你需要准备好自定义的数据集。这包括数据的标签、特征和训练集/测试集的划分。确保数据集已经被正确地标注和分割。

2. 构建模型：在TensorFlow中，你可以使用Keras库来构建模型。根据你的问题和数据集的特点，选择适当的模型架构，如卷积神经网络（CNN）或循环神经网络（RNN）。

3. 定义贝叶斯搜索空间：使用贝叶斯搜索算法，你需要定义搜索的超参数空间。这些超参数包括学习率、批量大小、优化器类型、激活函数等。你可以使用TensorFlow的Keras Tuner库来定义和搜索这些超参数空间。

下面是一个示例代码，展示如何使用贝叶斯搜索tensorflow模型库自定义数据集：

import tensorflow as tf
from tensorflow import keras
from kerastuner import BayesianOptimization

# Step 1: 准备数据集
# 假设你的数据集已经准备好，包括特征和标签
train_data = ...
train_labels = ...
test_data = ...
test_labels = ...

# Step 2: 构建模型
def build_model(hp):
    model = keras.Sequential([
        keras.layers.Dense(units=hp.Int('units', min_value=32, max_value=512, step=32),
                           activation='relu',
                           input_shape=(train_data.shape[1],)),
        keras.layers.Dense(1)
    ])
    model.compile(optimizer=keras.optimizers.Adam(hp.Choice('learning_rate', values=[1e-2, 1e-3, 1e-4])),
                  loss='mse',
                  metrics=['mae'])
    return model

# Step 3: 定义贝叶斯搜索空间
tuner = BayesianOptimization(
    build_model,
    objective='val_mae',
    max_trials=10,
    executions_per_trial=3,
    directory='my_dir',
    project_name='my_project'
)

# 进行贝叶斯搜索
tuner.search(train_data, train_labels, epochs=10, validation_data=(test_data, test_labels))

# 获取搜索结果
best_model = tuner.get_best_models(num_models=1)[0]
best_hyperparameters = tuner.get_best_hyperparameters(num_trials=1)[0]

# 使用最佳模型进行预测
predictions = best_model.predict(test_data)

请注意，上述代码仅为示例，你需要根据自己的数据集和问题进行适当的修改和调整。你可以根据需要调整搜索空间的超参数范围和搜索次数。