# Collator data

Data collator merangkai sampel dataset individual menjadi batch untuk model. Ia juga dapat melakukan padding secara dinamis pada sampel hingga panjang urutan terpanjang di *setiap batch*, yang lebih efisien daripada melakukan padding hingga panjang maksimum global.

```md
Dataset[0] → {"input_ids": [101, 2003], "labels": 1}
Dataset[1] → {"input_ids": [101, 2003, 1996], "labels": 0}
Dataset[2] → {"input_ids": [101, 7592], "labels": 1}
         ↓  collator
{
  "input_ids": tensor([[101, 2003,    0],   # padded to longest
                        [101, 2003, 1996],
                        [101, 7592,    0]]),
  "labels":    tensor([1, 0, 1])
}
```

Transformers menyediakan data collator untuk berbagai tugas (lihat semua [data collator](./main_classes/data_collator) yang tersedia). Buat data collator kustom dengan:

- [DataCollatorWithPadding](#datacollatorwithpadding) ketika Anda memerlukan padding berbasis tokenizer standar ditambah bidang tambahan.
- [DataCollatorMixin](#datacollatormixin) ketika Anda memerlukan logika padding kustom, beberapa input berpasangan per sampel, atau struktur batch yang tidak dapat dihasilkan oleh tokenizer secara mandiri.

## DataCollatorWithPadding

Untuk kasus penggunaan sederhana seperti menambahkan bidang tambahan, turunkan [DataCollatorWithPadding](/docs/transformers/main/id/main_classes/data_collator#transformers.DataCollatorWithPadding) dan perluas metode `__call__`-nya. Contoh di bawah ini menambahkan bidang `"score"`.

1. Hapus field kustom terlebih dahulu karena [pad()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.pad) tidak mengenalinya.
2. Panggil kelas induk untuk menangani `input_ids` dan `attention_mask`.
3. Tambahkan kembali field `"score"` ke batch.

```py
import torch
from dataclasses import dataclass
from transformers import DataCollatorWithPadding, PreTrainedTokenizerBase

@dataclass
class DataCollatorWithScore(DataCollatorWithPadding):
    tokenizer: PreTrainedTokenizerBase

    def __call__(self, features):
        scores = [f.pop("score") for f in features]

        batch = super().__call__(features)
        batch["score"] = torch.tensor(scores, dtype=torch.float)

        return batch
```

Lewatkan data collator kustom ke [Trainer](/docs/transformers/main/id/main_classes/trainer#transformers.Trainer) seperti data collator lainnya.

```py
trainer = Trainer(
    ...,
    data_collator=DataCollatorWithScore(tokenizer=tokenizer),
)
```

## DataCollatorMixin

Subclass `DataCollatorMixin` untuk kontrol penuh atas perakitan batch dan implementasikan metode `__call__` Anda sendiri. Bangun logika padding kustom, tangani berbagai jenis input, atau buat struktur batch yang sepenuhnya baru. Contoh [DataCollatorForPreference](https://github.com/huggingface/trl/blob/cfbdd3bea4448cde878c0da0de49551f553c61fe/trl/trainer/reward_trainer.py#L126) di bawah menggunakan `DataCollatorMixin` karena setiap sampel pelatihan memiliki respons yang dipilih dan ditolak, dan model perlu melihat keduanya.

1. Pisahkan `chosen_ids` dan `rejected_ids` karena `pad` mengharapkan daftar datar.
2. Gabungkan pasangan input menjadi satu daftar.
3. Buat `attention_mask` dengan [torch.ones_like](https://docs.pytorch.org/docs/stable/generated/torch.ones_like.html) alih-alih tokenizer karena collator bekerja dengan daftar ID token mentah.
4. Pad `input_ids` dan `attention_mask`.

```py
import torch
from dataclasses import dataclass
from transformers.data.data_collator import DataCollatorMixin
from trl.trainer.utils import pad

@dataclass
class DataCollatorForPreference(DataCollatorMixin):
    pad_token_id: int
    pad_to_multiple_of: int | None = None

    def __call__(self, examples: list[dict]) -> dict:
        chosen_input_ids   = [torch.tensor(ex["chosen_ids"])   for ex in examples]
        rejected_input_ids = [torch.tensor(ex["rejected_ids"]) for ex in examples]

        input_ids      = chosen_input_ids + rejected_input_ids
        attention_mask = [torch.ones_like(ids) for ids in input_ids]

        output = {
            "input_ids": pad(
                input_ids,
                padding_value=self.pad_token_id,
                padding_side="right",
                pad_to_multiple_of=self.pad_to_multiple_of,
            ),
            "attention_mask": pad(
                attention_mask,
                padding_value=0,
                padding_side="right",
                pad_to_multiple_of=self.pad_to_multiple_of,
            ),
        }

        ...

        return output
```

## Langkah selanjutnya

- Lihat semua [data collator](./main_classes/data_collator) yang tersedia untuk tugas umum seperti klasifikasi token.