神经网络获取训练数据报错

> library(torchdatasets)
> library(torchvision)
> set.seed(1)
> max_features <- 10000
> imdb_train <- imdb_dataset(
+   root = ".", 
+   download = TRUE,
+   split="train",
+   num_words = max_features
+ )
Error in sapply(c(pos, neg), function(x) readr::read_file(x)) %>% tokenizers::tokenize_words() : 
  could not find function "%>%"

library("dplyr")

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/7455225
• 你也可以参考下这篇文章：神经网络训练输入特征处理
• 除此之外, 这篇博客: 神经网络卷积操作总结中的 总结 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
  

  以上卷积核可以这样分类：

  • 通道和空间
    • Convolution
    • 1x1 Convolution
    • Spatial and Cross-Channel Convolutions
  • 通道相关性（channel）
    • Depthwise Separable Convolutions
    • Shuffled Grouped Convolutions
    • Squeeze and Excitation Network
    • Channel Attention Module in CBAM
  • 空间相关性（HxW）
    • Spatially Separable Convolutions
    • Flattened Convolutions
    • Dilated Convolutions
    • Deformable Convolution
    • Spatial Attention Module in CBAM

  现在很多CNN模型准确率越来越高，很多研究人员的研究方向也转向如何在尽可能保证准确率的情况下，尽可能减少模型参数，做好准确率和速度的平衡。
  总结一下效果优异的人工设计的backbone可能会用到以下策略：

  • 单一尺寸卷积核用多个尺寸卷积核代替（参考Inception系列）
  • 使用可变形卷积替代固定尺寸卷积（参考DCN）
  • 大量加入1x1卷积或者pointwise grouped convolution来降低计算量（参考NIN、ShuffleNet）
  • 通道加权处理（参考SENet）
  • 用深度可分离卷积替换普通卷积（参考MobileNet）
  • 使用分组卷积（参考ResNeXt）
  • 分组卷积+channel shuffle（参考shuffleNet）
  • 使用Residual连接（参考ResNet）
• 您还可以看一下 褚英昊老师的深度学习与计算机视觉课程中的 神经网络与神经元简介小节, 巩固相关知识点
  

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^