- 博客(1806)
- 收藏
- 关注
RSS订阅原创 计算加速技术比较分析：GPU、FPGA、ASIC、TPU与NPU的技术特性、应用场景及产业生态
在计算技术快速迭代的今天，传统通用处理器(CPU)正逐步被专用硬件加速器补充或替代，尤其在特定计算领域。这些加速器通过针对性设计，在功耗效率、计算吞吐量(FLOPS)和内存带宽方面实现了显著优化。截至2025年4月，加速器市场需求呈指数级增长，主要驱动因素来自人工智能(AI)、机器学习(ML)、高性能计算(HPC)及边缘计算应用的广泛部署。
2025-04-03 09:47:44
115
原创 标签噪声下的模型评估：如何准确评估AI模型的真实性能，提高模型性能测量的可信度
通过本文的分析，我们深入探讨了标签噪声对模型性能评估的影响。我们得出几项关键结论：可能的真实准确率范围直接受真实标签错误率的影响；当模型错误与标签错误相互独立时，对于性能优于随机猜测的模型，其真实准确率通常高于测量值；然而在实际应用场景中，错误很少完全独立，因此模型的真实准确率往往更接近理论下限。理解这些关系对于正确评估模型性能和提高性能测量的可信度至关重要。作者：Krishna Rao。
2025-04-02 10:20:54
3781
5
原创 VideoMind：Chain-of-LoRA突破时间盲区让AI真正看懂长视频
LoRA（Low-Rank Adaptation，低秩适应）是一种用于微调大型预训练模型（如 LLM 或 MLLM）的技术。LoRA 不是重新训练模型中所有参数，而是在原始模型的特定层（通常是注意力层）中注入少量新的、可训练的参数，这些参数采用低秩矩阵的形式。原始模型权重保持冻结，仅更新这些小的 LoRA 适配器。这降低了计算成本、缩短了训练时间，并减少了存储需求。
2025-04-01 09:51:39
4024
原创 9个主流GAN损失函数的数学原理和Pytorch代码实现：从经典模型到现代变体
本文通过详细分析GAN的经典损失函数及其多种变体，揭示了不同类型损失函数各自的优势：LS-GAN训练稳定性好，WGAN-GP生成图像清晰度高，而条件类GAN如CGAN则在可控性方面表现突出。这介绍代码对于相关领域的GAN应用具有重要参考价值。未来研究可进一步探索损失函数组合优化策略，以及针对特定图像模态的自适应损失函数设计。
2025-03-31 10:23:40
935
原创 DAPO: 面向开源大语言模型的解耦裁剪与动态采样策略优化系统
DAPO代表了大语言模型与强化学习技术融合发展的重要里程碑。通过系统解决长思维链推理、探索-利用平衡和训练效率等关键技术挑战，DAPO为开源大语言模型训练设立了新的技术标准。系统在AIME 2024等严格基准测试上取得的领先性能，以及实现这一性能的卓越效率，充分展示了创新RL技术应用于大语言模型的潜力。此外，DAPO对开源原则的坚定承诺确保其技术进步将在整个AI研究社区产生持续影响，促进更广泛的技术创新和学术合作。
2025-03-30 10:34:17
1118
原创 多模态AI核心技术：CLIP与SigLIP技术原理与应用进展
近年来，人工智能领域在多模态表示学习方面取得了显著进展，这类模型通过统一框架，特别是。在此领域具有里程碑意义的模型包括OpenAI提出的。这些模型重新定义了计算机视觉与自然语言处理的交互范式，实现了从图像分类到零样本学习等多种高级应用能力。本文将从技术层面分析CLIP和SigLIP的架构设计、训练方法及其主要差异，并探讨它们在多模态大型语言模型中的应用价值。
2025-03-29 10:08:35
885
原创 SWEET-RL：基于训练时信息的多轮LLM代理强化学习框架
SWEET-RL代表了多轮LLM代理训练技术的重大进展。其在信用分配、优势函数参数化和非对称actor-critic结构方面的创新为该领域确立了新的基准。该算法使小型模型能够实现与大型专有模型相当的性能，成为AI能力民主化进程中的关键一步。展望未来，SWEET-RL的影响可能超越其当前应用范围，影响更复杂AI系统的开发，特别是需要复杂推理和协作能力的系统。其成功证明了强化学习的持续发展价值及其在构建更强大、更高效AI代理中的重要性。
2025-03-28 09:45:03
1114
原创 时间序列异常检测：MSET-SPRT组合方法的原理和Python代码实现
在异常检测领域，尤其针对工业机械、核反应堆和网络安全等复杂系统，传统方法往往难以有效处理高维度且相互关联的数据流。与的组合方法在此类场景中展现出显著优势。MSET-SPRT是一种结合机器学习状态估计与统计假设检验的混合技术框架，通过其高精度和稳健性，被广泛应用于关键任务系统的监控与分析。该方法能够实时识别系统行为的微小偏差，为预防性维护和异常事件预警提供可靠依据。
2025-03-27 10:11:37
2355
原创 RAL-Writer Agent：基于检索与复述机制，让长文创作不再丢失关键信息
RAL-Writer代表了人工智能辅助内容生成领域的重要技术突破。通过系统性解决长文本创作中的"中间信息丢失"等关键问题，RAL-Writer为各行业的专业人士提供了新的内容创作可能性。该技术系统处理大量输入信息、生成结构化长文本输出以及适应不同写作风格和格式的能力，使其成为内容创作工具生态中的重要组成部分。从优化研究流程到提升内容营销效率，RAL-Writer具有重塑长篇文本创作流程的技术潜力。然而，与所有先进人工智能技术一样，对RAL-Writer的评估需要保持客观平衡的视角。
2025-03-26 10:09:31
4072
原创 分位数回归+共形预测：Conformalized Quantile Regression实现更可靠的预测区间
CQR（及共形预测）的应用正在迅速扩展。在机器学习研究中，CQR已被应用于时间序列预测（例如，流行的NeuralProphet库将CQR作为生成预测区间的选项）、时空数据分析（确保不同区域的预测覆盖率）以及算法公平性（一项工作引入"公平"CQR变体，确保跨不同子群体的均等覆盖率）。任何需要可靠不确定性量化的回归问题均可考虑CQR作为首选方法。其模型无关性意味着它可以包装任何前沿模型（梯度提升机、随机森林、神经网络等），使其预测具有可靠的概率特性。随着学术界和产业界对可信AI与机器学习。
2025-03-25 09:58:39
4228
原创 SANA-Sprint：基于连续时间一致性蒸馏的单步扩散模型，0.1秒即可生成图像
与需要20 步以上的传统扩散模型不同，SANA-Sprint 仅需1-4 步即可生成高质量图像，且无需额外的训练过程。单步推理速度极快，非常适合实时应用场景。两步生成能够在保证速度 (低于 0.25 秒)的前提下，有效提升图像细节。四步生成则在质量和效率之间实现了最佳平衡。该论文在数学原理上具有一定的复杂性，但其技术方案堪称杰出非常值得深入阅读和研究。SANA-Sprint 的工作有望推动Flow Matching DiT 模型的下游优化，进而实现更快、更低成本的图像生成。
2025-03-24 10:06:07
3687
原创 广义优势估计(GAE)：端策略优化PPO中偏差与方差平衡的关键技术
本文通过系统分析明确了GAE的技术本质、理论来源以及其在当前强化学习领域最先进算法(尤其是PPO)中的核心作用。GAE通过巧妙平衡偏差与方差，为解决强化学习中的信用分配问题提供了一种数学严谨且实用高效的方法。作者：BoxingBytes。
2025-03-23 10:05:43
4161
原创 FlowMo: 模式搜索+扩散模型提升图像Token化性能
在深入探讨FlowMo的技术创新前，有必要了解当前图像生成领域的主流范式。Token化阶段：将高维像素数据压缩至低维潜在空间，实现数据降维和特征提取生成阶段：在压缩表征基础上训练生成模型，实现图像合成自VQGAN提出以来，Token化器通常构建为卷积自编码器，将视觉数据下采样为空间对齐的二维潜在编码。这类模型通常综合应用重建损失、感知损失和对抗性损失进行训练，以确保压缩表征保持高视觉保真度。
2025-03-22 09:57:12
3837
原创 SEARCH-R1: 基于强化学习的大型语言模型多轮搜索与推理框架
SEARCH-R1代表了构建能与外部信息源动态交互的大型语言模型的重要进展。通过将强化学习与搜索引擎交互有机结合，该模型不仅提高了事实准确性，还增强了多轮交互中的推理能力。强化学习与基于搜索推理的创新性集成在多样化数据集上验证的明显性能提升对不同模型架构和规模的适应性与灵活性奖励机制虽然设计简洁有效，但对于更复杂应用场景可能需要进一步优化对预定义搜索接口的依赖可能限制了系统对多样化信息源的适应能力。
2025-03-21 10:09:02
3889
3
原创 生成AI的两大范式：扩散模型与Flow Matching的理论基础与技术比较
扩散模型通过添加高斯噪声定义固定的随机路径。前向过程由预设的噪声调度确定，模型学习逆转这一特定过程。则允许在分布间设计灵活路径。这些路径可为直线、曲线轨迹，甚至可动态学习，提供更大的设计自由度。扩散模型与Flow Matching代表了生成建模领域的两类重要技术范式，各自基于独特的数学原理与实现策略。扩散模型通过定义固定的随机过程并学习其逆转，而Flow Matching则直接学习能够沿灵活路径转换分布的速度场。
2025-03-20 10:07:17
9816
4
原创 融合AMD与NVIDIA GPU集群的MLOps：异构计算环境中的分布式训练架构实践
对于寻求在机器学习和深度学习工作负载中实现快速扩展的组织而言，在多供应商GPU集群上执行分布式训练的能力提供了极具战略价值的技术机遇。由于主流机器学习框架缺乏原生支持，目前实现这一目标仍需投入大量工程资源。开放、标准化实现的发展将有助于实现异构硬件生态系统的民主化访问，从而在不牺牲性能的前提下提供经济高效的技术灵活性。本文的源代码可以在这个项目中找到：作者：Rafał Siwek。
2025-03-19 10:56:46
8963
2
原创 GoT：基于思维链的语义-空间推理框架为视觉生成注入思维能力
GoT：释放多模态大型语言模型在视觉生成和编辑中的推理能力代表了图像合成领域的技术范式转变。通过引入集成语义与空间推理的结构化思维链，GoT框架成功克服了传统文本到图像模型的内在局限。其完备的训练数据集、创新的架构设计和先进的指导机制共同确保了生成图像在技术精确性和视觉表现力方面的卓越品质。该框架不仅从根本上改变了图像生成与编辑的技术路径，还为多个应用领域开辟了新的可能性——从专业内容创作到教育工具开发。
2025-03-18 09:49:24
3654
4
原创 RAG-Gym: 基于过程监督的检索增强生成代理优化框架
RAG-Gym将知识密集型问答任务形式化为嵌套马尔可夫决策过程(MDP)，构建了完整的过程监督体系。该框架通过在每个决策时间步骤随机采样动作候选项，并利用外部注释器选择最优动作来收集过程奖励数据。框架内实现了多种过程监督方法，为代理优化提供了统一的实验环境。给定状态sts_tst，包含原始问题Q和历史Htq1D1qt−1Dt−1Ht{(q1D1qt−1Dt−1)}
2025-03-17 09:57:20
6749
1
原创 MiTS与PoTS：面向连续值时间序列的极简Transformer架构
原始"Attention Is All You Need"论文中提出的标准Transformer架构最初设计用于处理离散输入和输出序列标记(token)，但将其应用于时间序列分析时，需要对模型结构进行适当调整以适应连续数据特性。本文详细阐述了使原始Transformer架构能够高效处理连续值时间序列数据所需的最小化结构调整方案。在Vaswani等人发表的开创性论文"Attention is All You Need"中，研究者引入了用于机器翻译任务的Transformer架构。
2025-03-16 10:21:49
4443
原创 信息检索系统评估指标的层级分析：从单点精确度到整体性能度量
在构建搜索引擎系统时，有效的评估机制是保证系统质量的关键环节。当用户输入查询词如"machine learning tutorials python"，系统返回结果列表后，如何客观评估这些结果的相关性和有效性？这正是信息检索评估指标的核心价值所在。现代评估指标体系正是基于这些真实用户行为模式设计的，并且随着研究不断深入，评估方法也在持续演进以捕获更多细微交互特征。评估信息检索系统的精确度方法。
2025-03-15 09:59:26
833
原创 PyTorch PINN实战：用深度学习求解微分方程
通解形式：物理信息神经网络(PINN)代表了一种在微分方程求解领域的重要技术突破，它将深度学习与物理定律有机结合，为传统数值求解方法提供了一种高效、数据驱动的替代方案。PINN方法不仅在理论上具有创新性，同时在实际应用中展现出广阔的应用前景，为复杂物理系统的建模与分析提供了新的研究路径。作者：Muhammad Tayyab。
2025-03-14 09:54:54
4972
8
原创 时间序列特征提取：18 种高效工具库及其应用分析
本文综述了 18 个时间序列特征提取库，这些库针对不同领域（如音频分析、医疗健康、金融）和不同任务（如预测、分类、异常检测）提供了专业化的特征提取功能。这些库的多样性反映了时间序列数据的复杂性，以及分析此类数据所需的多元化方法论。尽管这些框架之间存在功能重叠，但它们也在各自专注的领域提供了独特价值。在实际应用中，数据科学家可以根据具体需求组合使用这些工具。例如，可以使用 tsfel 获取全面的基础特征集，同时结合 nolds 提供的非线性度量来捕捉更复杂的时间序列模式。
2025-03-13 14:36:50
1230
原创 SigLIP 2：多语言语义理解、定位和密集特征的视觉语言编码器
SigLIP 2 是一个新型多语言视觉-语言编码器系列，通过整合基于字幕的预训练、自监督学习机制（包括自蒸馏和掩码预测）以及在线数据管理策略，对原始 SigLIP 模型进行了显著改进。这些优化使 SigLIP 2 在零样本分类、图像-文本检索以及为视觉语言模型(VLM)提供视觉表示提取方面均取得了卓越性能。模型在定位和密集预测任务中展现出明显提升，同时支持多种分辨率处理，并能保持图像原始纵横比。
2025-03-12 09:59:51
4320
1
原创 FANformer：融合傅里叶分析网络的大语言模型基础架构
FANformer通过将周期性捕获能力显式编码到深度神经网络架构中，实现了相较于传统Transformer架构的显著性能提升。尽管仍需更全面的实验验证，但FANformer已展现出在未来大规模语言模型中的应用潜力。在相同参数规模和训练资源条件下，FANformer能够提供更高的性能和更强的泛化能力，特别是在涉及周期性模式和数学推理的任务中。这种架构创新为解决大语言模型的扩展性挑战提供了一种有前景的新方向。
2025-03-11 10:29:57
4291
原创 S3FT选择性自监督微调：通过智能选择训练样本提升大模型整体表现
S3FT（选择性自监督微调）代表了一种解决大语言模型微调中固有问题的创新方法。通过智能地选择和整合模型自身生成的高质量响应，S3FT成功地在两个看似矛盾的目标之间取得了平衡：提升特定任务的性能，同时保留模型的泛化能力。实验结果清晰地表明，与传统监督微调相比，S3FT不仅在目标领域内取得了更好的性能，还显著减轻了灾难性遗忘现象，维持了模型在领域外任务上的表现。这种方法的核心优势在于尊重模型原有的语言分布特性，使微调过程更加和谐，避免了强制模型适应可能与其内部表征不一致的外部标准答案。
2025-03-10 09:50:44
4082
原创 大语言模型中的归一化技术：LayerNorm与RMSNorm的深入研究
归一化（Normalization）是一种将数据映射到特定数值区间的数学变换技术，旨在提升计算稳定性并优化学习效率。归一化的本质在于调整数据的量纲规模而保持分布形态不变。归一化前后数据分布归一化前后按特征划分的数据分布通过对比归一化前后的数据分布可以明确观察到，尽管数据点的相对位置关系保持恒定，但数值范围发生了显著变化。如上图所示，横轴上原本分布在30至70区间的数据经归一化后映射至0到1区间，然而数据的拓扑分布结构保持不变。这构成了归一化技术的基本理论框架。
2025-03-09 10:03:06
4977
5
原创 NeoBERT：4096 tokens上下文窗口，参数更少但性能翻倍
NeoBERT代表了双向编码器模型的新一代技术发展，通过整合前沿架构改进、现代大规模数据集和优化的预训练策略，有效缩小了传统编码器与高性能自回归语言模型之间的性能差距。该模型在支持4096 tokens的扩展上下文窗口的同时，仅维持250M参数规模的紧凑设计。值得注意的是，尽管参数量较小，NeoBERT在MTEB（Massive Text Embedding Benchmark）基准评估中展现了领先性能，在相同微调条件下超越了多个参数规模更大的竞争模型。
2025-03-08 09:53:25
4068
原创 Chain of Draft: 借鉴人类草稿思维让大型语言模型更快地思考
Chain of Draft (CoD)作为一种新型方法论，针对性解决了大型语言模型（LLM）一个关键但常被忽视的维度：推理能力与响应延迟之间的权衡问题。该方法通过显著降低LLM输出中的冗余表达，有效减少了延迟并降低了计算成本，同时保持甚至提升了相较于思维链（CoT）等传统方法的推理准确性。通过引导LLM生成简洁而关键的推理步骤，CoD显著降低了复杂推理任务所需的响应时间。这一创新对需要低延迟与高质量响应并存的实时应用场景尤为重要。
2025-03-07 19:39:48
1039
原创 Visual-RFT：基于强化学习的视觉语言模型微调技术研究
Visual-RFT代表了视觉语言模型微调方法的技术变革。通过整合类人推理过程与强大的强化学习框架，该方法在传统上受数据可用性制约的任务中实现了显著性能提升。无论是细粒度图像分类、少样本对象检测还是推理定位，Visual-RFT都为模型提供了迭代学习和动态适应的能力，为未来视觉语言模型开发提供了新的技术路径。
2025-03-06 21:30:29
1407
原创 深入解析图神经网络注意力机制：数学原理与可视化实现
通过本文的分析，我们已经深入剖析了图神经网络自注意力机制的内部工作原理。从数学表达式到代码实现再到可视化图形，我们提供了一个全方位的视角来理解注意力权重如何在图结构数据中生成和应用。通过位置-转移图的概念框架，我们不仅展示了计算流程，还揭示了各组件之间的依赖关系，为图神经网络的可解释性研究提供了新的思路。作者：John Baumgarten。
2025-03-05 10:08:58
4445
原创 深入解析Tiktokenizer：大语言模型中核心分词技术的原理与架构
下图详细展示了各模块间的交互关系，包括错误处理和缓存机制：此图详细描述了模块间的内部通信机制，特别强调了缓存系统如何通过避免重复输入的冗余处理来提升性能。本文中，我们介绍了Tiktokenizer并讨论了其在现代NLP中的关键作用；概述了支持该工具的核心原则和架构设计；提供了详细的模块化Python代码示例并解释了每个组件；探索了高级优化策略，包括缓存、并行处理和分析技术；研究了实际案例，展示了如何在聊天机器人、代码分析和社交媒体分析中应用Tiktokenizer；
2025-03-04 10:24:17
4986
1
原创 机器学习特征筛选：向后淘汰法原理与Python实现
向后淘汰法是机器学习中一种重要的特征选择技术，其工作原理是从全部特征出发，逐步剔除对模型贡献度低的特征。本文详细介绍了向后淘汰法的工作原理、实施步骤、优势局限性，并提供了多种Python实现方式，包括基于statsmodels的自动化实现、手动实现以及基于Scikit-learn的递归特征消除。向后淘汰法能有效提升模型简洁性、可解释性，并在某些情况下改善模型性能，特别适用于线性回归等统计学习模型。然而，该方法在计算成本和处理复杂特征关系方面存在一定局限。
2025-03-03 09:49:49
4736
原创 趋势还是噪声？ADF与KPSS检验结果矛盾时的高级时间序列处理方法
深入理解趋势的本质特性（确定性趋势或随机趋势）明确分析目标（预测、异常检测或模型构建）在差分、简单去趋势和高级分解方法之间做出适当选择评估不同处理方法对最终模型性能的实际影响时间序列处理不应机械地遵循固定方法，而需要根据具体应用场景进行方法选择和参数调整，在降低噪声的同时保留关键信号特征。作者：Sirine Amrane。
2025-03-02 10:00:26
4285
1
原创 PyTorch内存优化的10种策略总结：在有限资源环境下高效训练模型
编译的另一项重要优势是能够将多个操作融合到单个计算内核中。在GPU和云计算资源成本高昂的环境下，最大化利用现有计算资源至关重要。对于希望在有限计算资源条件下训练或微调大型模型(如LLM或视觉Transformer)的研究者和开发者而言，掌握上述优化技术尤为重要。本文介绍的这些策略代表了研究人员和专业人士在资源受限条件下进行高效模型训练的常用方法。作者：Sahib Dhanjal。
2025-03-01 10:04:06
4856
原创 LLM模型添加自定义Token代码示例：为Llama 3.2模型添加思考与回答标记
首先加载并准备模型的tokenizer，同时定义必要的padding token和相关参数。# 定义padding token和相关参数# 这些是训练器后续所需的配置在添加新token前，先检查tokenizer如何处理我们计划用作自定义token的文本字符串，以便进行后续比较。我们将添加用于表示LLM输出中思考(think)和回答(answer)部分的token，总共4个token。
2025-02-28 20:39:04
1425
原创 Featurewiz-Polars：基于XGBoost的高性能特征选择框架，一行代码搞定特征选择
与其他mRMR实现相比，Featurewiz-Polars展现出更高的处理速度、更精简的特征选择和更优的模型性能等显著优势。若你正在寻求有效的特征选择解决方案，建议尝试此工具并进行实际效果对比。可以从GitHub下载fs_test.py模块，自行进行基准测试评估。作者：Paolo Perrone。
2025-02-27 10:19:02
4224
1
原创 Logic-RL: 小模型也能强推理，通过基于规则的强化学习提升大语言模型结构化推理能力
通过利用受控的逻辑谜题、精心设计的奖励系统和改进的REINFORCE++算法，研究人员已经使模型能够开发出基于规则的强化学习正在为可以进行深刻而透明推理的LLM铺平道路。通过利用受控的逻辑谜题、精心设计的奖励系统和改进的REINFORCE++算法，研究人员已经使模型能够开发出可转移到各种现实世界任务的高级推理策略。这种方法不仅提升了模型在原始训练任务上的表现，更重要的是培养了一种通用的推理能力，使模型能够在完全不同的领域展示出增强的问题解决能力。
2025-02-26 10:16:26
4068
原创 SelfCite: 通过自监督奖励提升LLM对上下文内容的引用质量
大型语言模型 (LLM) 在文本生成领域展现出卓越的能力，然而当需要以支撑其生成内容时，现有方法仍面临挑战。传统方法在引导 LLM 准确、可靠地时，容易产生，即生成与上下文不符或缺乏上下文依据的引用，从而降低了生成回复的可信度和实用性。为了解决这一关键问题，SelfCite 提出了一种新颖的自监督方法，旨在通过，直接，使其能够生成更准确、更可靠的句子级别引用，最终提升基于上下文的生成任务的整体性能。SelfCite 的核心思想是利用技术，通过模型自身评估引用质量，无需人工标注即可实现有效的引用优化。
2025-02-25 10:29:43
4135
原创 用PyTorch从零构建 DeepSeek R1：模型架构和分步训练详解
本文深入剖析了 DeepSeek R1 模型的构建过程，从基础模型选型到多阶段训练流程，再到关键技术如强化学习、拒绝采样和知识蒸馏的应用，进行了详尽的阐述。通过对 GRPO 算法、Prompt 模板、奖励函数以及 SFT 训练等核心环节的逐步解析，我们不仅了解了 DeepSeek R1 如何从零开始构建，更对其在推理能力、语言一致性以及安全助人等方面所做的努力有了更深刻的认识。希望本文能够帮助读者更好地理解 DeepSeek R1 的技术原理，并为相关研究和实践提供有益的参考。作者：FareedKhan。
2025-02-24 11:21:46
9778
6
原创 SmolLM2：多阶段训练策略优化和高质量数据集，小型语言模型同样可以实现卓越的性能表现
综上所述，SmolLM2 通过创新的多阶段训练策略、高质量数据集的构建与优化，以及精细的模型后训练调优，在 1.7B 参数规模下实现了卓越的性能表现，并在多个基准测试中超越了同等规模甚至更大规模的语言模型。这一研究为小型语言模型的发展提供了新的思路和方法，证明了通过技术创新，小模型同样可以拥有强大的能力。同时，SmolLM2 的小规模变体研究也为资源受限场景下的模型部署提供了可能，进一步拓展了其应用前景。
2025-02-23 10:15:06
4661
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人