# Callback

[TrainerCallback](/docs/transformers/main/id/main_classes/callback#transformers.TrainerCallback) melekat pada peristiwa pelatihan tertentu (awal epoch, evaluasi, akhir pelatihan) untuk mengubah status pelatihan atau alur kendali. Gunakan callback untuk mencatat metrik ke pelacak eksperimen seperti Trackio, menyesuaikan kapan penyimpanan dan evaluasi dilakukan, atau menambahkan perilaku kustom lainnya. Tumpuk beberapa callback untuk menggabungkan fitur.

Callback tidak dapat memodifikasi loop pelatihan itu sendiri, seperti forward pass. Untuk mengubah apa yang dihitung oleh [Trainer](/docs/transformers/main/id/main_classes/trainer#transformers.Trainer), [subclass](./trainer_customize) metodenya sebagai gantinya.

Diagram di bawah ini menunjukkan setiap event yang dapat di-hook oleh callback.

```md
on_train_begin
  └─ for each epoch:
      on_epoch_begin
      └─ for each step:
          on_step_begin
          ├─ for each gradient accumulation substep:
          │   on_substep_end
          on_pre_optimizer_step   ← after gradient clipping, before optimizer.step()
          on_optimizer_step       ← after optimizer.step()
          on_step_end
          └─ (conditionally):
              on_log
              on_evaluate
              on_save
      on_epoch_end
on_train_end
on_predict / on_prediction_step
on_push_begin
```

## Membuat callback

Subclass [TrainerCallback](/docs/transformers/main/id/main_classes/callback#transformers.TrainerCallback) dan override satu atau beberapa metode event dari diagram di atas. Contoh di bawah ini mendemonstrasikan tiga hook:

- `on_epoch_begin` mencetak epoch saat ini dari [TrainerState](/docs/transformers/main/id/main_classes/callback#transformers.TrainerState) (nilai yang berubah-ubah) dan learning rate dari [TrainingArguments](/docs/transformers/main/id/main_classes/trainer#transformers.TrainingArguments) (nilai statis).
- `on_step_end` membaca learning rate saat ini dari lr_scheduler (diteruskan melalui `**kwargs`) dan mengatur `should_evaluate` pada [TrainerControl](/docs/transformers/main/id/main_classes/callback#transformers.TrainerControl) (lihat [TrainerControl](/docs/transformers/main/id/main_classes/callback#transformers.TrainerControl) untuk daftar lengkap objek kontrol) untuk memicu evaluasi ketika nilainya turun di bawah ambang batas.
- `on_train_end` mencetak metrik terbaik dan langkah tempat metrik tersebut tercapai.

```python
from transformers import TrainerCallback

class EpochLoggerCallback(TrainerCallback):
    def __init__(self, lr_eval_threshold=1e-5):
        self.lr_eval_threshold = lr_eval_threshold

    def on_epoch_begin(self, args, state, control, **kwargs):
        print(f"Starting epoch {int(state.epoch) + 1}/{state.num_train_epochs} "
              f"(lr={args.learning_rate})")

    def on_step_end(self, args, state, control, **kwargs):
        lr_scheduler = kwargs.get("lr_scheduler")
        if lr_scheduler is not None:
            current_lr = lr_scheduler.get_last_lr()[0]
            if current_lr < self.lr_eval_threshold:
                control.should_evaluate = True

    def on_train_end(self, args, state, control, **kwargs):
        print(f"Training complete! Best metric: {state.best_metric} at step {state.best_global_step}")
```

Daftarkan callback dengan [Trainer](/docs/transformers/main/id/main_classes/trainer#transformers.Trainer) pada argumen `callbacks`. Anda juga dapat meneruskan beberapa callback sebagai daftar.

```python
trainer = Trainer(
    callbacks=[EpochLoggerCallback(lr_eval_threshold=1e-5)],
    ...,
)
```

## Callback bawaan

Transformers mencakup beberapa callback bawaan yang aktif secara default. [Callback terintegrasi](./main_classes/callback) tambahan mencatat ke platform seperti [Trackio](https://huggingface.co/docs/trackio/en/index).

### DefaultFlowCallback

[DefaultFlowCallback](/docs/transformers/main/id/main_classes/callback#transformers.DefaultFlowCallback) mengelola jadwal logging, evaluasi, dan checkpoint default berdasarkan nilai `logging_strategy`, `eval_strategy`, dan `save_strategy` di [TrainingArguments](/docs/transformers/main/id/main_classes/trainer#transformers.TrainingArguments). Pada langkah atau epoch yang tepat, callback ini mengatur flag `control` yang sesuai (`should_log`, `should_evaluate`, `should_save`). Ia juga mengatur `should_training_stop` ketika `global_step` mencapai `max_steps`.

Menimpa callback ini adalah cara utama untuk menyesuaikan *kapan* pencatatan, evaluasi, atau penyimpanan dilakukan.

### ProgressCallback dan PrinterCallback

[Trainer](/docs/transformers/main/id/main_classes/trainer#transformers.Trainer) secara otomatis memilih antara dua callback ini berdasarkan field [disable_tqdm](/docs/transformers/main/id/main_classes/trainer#transformers.TrainingArguments.disable_tqdm) di [TrainingArguments](/docs/transformers/main/id/main_classes/trainer#transformers.TrainingArguments).

- [ProgressCallback](/docs/transformers/main/id/main_classes/callback#transformers.ProgressCallback) digunakan secara default. Callback ini menampilkan progress bar tqdm selama pelatihan dan bar terpisah selama evaluasi atau prediksi, serta mencetak metrik terbaru pada setiap event `on_log`. Selama pelatihan terdistribusi, callback ini hanya berjalan pada proses utama untuk menghindari output duplikat.
- [PrinterCallback](/docs/transformers/main/id/main_classes/callback#transformers.PrinterCallback) digunakan ketika `disable_tqdm=True`. Callback ini mencetak log dictionary ke stdout pada setiap event `on_log` tanpa progress bar.

Anda juga dapat menggantinya secara manual dengan [remove_callback()](/docs/transformers/main/id/main_classes/trainer#transformers.Trainer.remove_callback) dan [add_callback()](/docs/transformers/main/id/main_classes/trainer#transformers.Trainer.add_callback).

```py
from transformers import PrinterCallback

trainer = Trainer(...)
trainer.remove_callback(ProgressCallback)
trainer.add_callback(PrinterCallback)
```

### EarlyStoppingCallback

[EarlyStoppingCallback](/docs/transformers/main/id/main_classes/callback#transformers.EarlyStoppingCallback) menghentikan pelatihan ketika metrik evaluasi berhenti membaik. Setelah setiap evaluasi, callback ini memeriksa apakah metrik membaik lebih dari `early_stopping_threshold`. Jika metrik tidak membaik selama `early_stopping_patience` evaluasi berturut-turut, pelatihan dihentikan.

[EarlyStoppingCallback](/docs/transformers/main/id/main_classes/callback#transformers.EarlyStoppingCallback) membutuhkan dua [TrainingArguments](/docs/transformers/main/id/main_classes/trainer#transformers.TrainingArguments):

- `metric_for_best_model`, metrik evaluasi yang dipantau
- `eval_strategy`, apakah mengevaluasi pada `"steps"` atau `"epoch"`

```py
from transformers import EarlyStoppingCallback

trainer = Trainer(
    ...,
    callbacks=[EarlyStoppingCallback(early_stopping_patience=3, early_stopping_threshold=0.001)],
)
```

## Langkah selanjutnya

- Lihat semua [callback terintegrasi](./main_classes/callback) yang tersedia untuk pencatatan ke pelacak eksperimen.
- Panduan [Subclassing Trainer methods](./trainer_customize) membahas cara menimpa metode [Trainer](/docs/transformers/main/id/main_classes/trainer#transformers.Trainer) ketika Anda perlu mengubah apa yang dihitung oleh loop pelatihan.