# Veri toplayıcıları

Bir veri toplayıcı (data collator), model için bireysel veri seti örneklerini bir partiye (batch) dönüştürür. Ayrıca örnekleri *her partideki* en uzun dizine dinamik olarak doldurabilir (padding); bu, küresel bir maksimum uzunluğa doldurmaktan daha verimlidir.

```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, çeşitli görevler için veri toplayıcıları (data collator) sağlar (mevcut tüm [veri toplayıcılarını](./main_classes/data_collator) görüntüleyin). Özel bir veri toplayıcısı oluşturmak için:

- Standart tokenizer tabanlı dolgu ve ek alanlara ihtiyacınız olduğunda [DataCollatorWithPadding](#datacollatorwithpadding) kullanın.
- Özel dolgu mantığına, örnek başına birden fazla eşleşen girdiye veya tokenizer'ın kendi başına üretemediği bir batch yapısına ihtiyaç duyduğunuzda [DataCollatorMixin](#datacollatormixin) kullanın.

## DataCollatorWithPadding

Ek bir alan ekleme gibi basit kullanım senaryolarında [DataCollatorWithPadding](/docs/transformers/v5.23.0/tr/main_classes/data_collator#transformers.DataCollatorWithPadding) sınıfını alt sınıflandırın ve `__call__` metodunu genişletin. Aşağıdaki örnek bir `"score"` alanı ekler.

1. [pad()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.pad) bu alanı tanımadığı için özel alanı önce kaldırın.
2. `input_ids` ve `attention_mask` ile ilgilenmek için üst sınıfı çağırın.
3. Toplu işlemdeki `"score"` alanını geri ekleyin.

```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
```

Özel veri toplayıcıyı, diğer herhangi bir veri toplayıcısı gibi [Trainer](/docs/transformers/v5.23.0/tr/main_classes/trainer#transformers.Trainer)'a iletin.

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

## DataCollatorMixin

Tam kontrol için `DataCollatorMixin` sınıfından türetin ve kendi `__call__` yönteminizi uygulayın. Özel dolgu mantığı oluşturun, birden fazla giriş türünü işleyin veya tamamen yeni batch yapıları oluşturun. Aşağıdaki [DataCollatorForPreference](https://github.com/huggingface/trl/blob/cfbdd3bea4448cde878c0da0de49551f553c61fe/trl/trainer/reward_trainer.py#L126) örneği, her eğitim örneğinin seçilen ve reddedilen bir yanıtı olması ve modelin her ikisini de görmesi gerektiği için `DataCollatorMixin` kullanır.

1. `pad` düz listeler beklediği için `chosen_ids` ve `rejected_ids` değerlerini ayrı ayrı tutun.
2. Girdi çiftini tek bir listede birleştirin.
3. Collator ham token ID list'leriyle çalıştığı için `attention_mask`'ı tokenizer yerine [torch.ones_like](https://docs.pytorch.org/docs/stable/generated/torch.ones_like.html) ile oluşturun.
4. `input_ids` ve `attention_mask` değerlerini doldurun (pad).

```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
```

## Sonraki adımlar

- Token sınıflandırması gibi yaygın görevler için kullanılabilen tüm [data collator](./main_classes/data_collator)ları görüntüleyin.

