feat: add AI and Backend evolution history with interactive demos, and refine Frontend evolution demo
This commit is contained in:
sanbuphy
+111
-164
@@ -4,243 +4,190 @@
|
||||
|
||||
<VlmQuickStartDemo />
|
||||
|
||||
## 0. 引言：从“读万卷书”到“行万里路”
|
||||
## 0. 引言：给大脑装上眼睛
|
||||
|
||||
在 [大语言模型入门](./llm-intro) 章节中，我们学习了计算机如何通过 Tokenization（分词）和 Transformer 理解文字。
|
||||
但真实世界不仅有文字，还有图像、视频和声音。
|
||||
在 [大语言模型入门](./llm-intro) 中，我们知道 LLM 本质上是一个被关在黑盒子里、只能通过**文字**来了解世界的“大脑”。
|
||||
|
||||
**多模态大模型 (VLM, Vision-Language Model)** 的核心任务，就是打破感官的界限，让 AI 不仅能“读”，还能“看”。
|
||||
**多模态大模型 (VLM)** 的出现，相当于给这个大脑装上了一双**眼睛**。
|
||||
|
||||
它的本质工作可以总结为一句话：**把图像信号“翻译”成大模型能听懂的语言信号。**
|
||||
但这并不容易。因为：
|
||||
- **大脑 (LLM)** 只懂**文字**（准确说是 Token ID）。
|
||||
- **眼睛 (摄像头)** 看到的是**像素**（RGB 颜色数值）。
|
||||
|
||||
VLM 的核心任务，就是**把“像素信号”翻译成“文字信号”**，让 LLM 觉得看图就像读文章一样简单。
|
||||
|
||||
---
|
||||
|
||||
## 1. 第一步：视觉翻译 (Visual Tokenization)
|
||||
## 1. 第一步：把图片变成“单词” (Visual Tokenization)
|
||||
|
||||
大模型（LLM）本质上是一个“文字接龙”机器，它只认识数字（Token ID）。要让它看懂图片，我们必须把图片也变成它能理解的数字序列。
|
||||
想象一下，你正在电话里给朋友描述一副拼图。你不可能一口气说完，你得一块一块地描述。
|
||||
计算机看图也是一样的道理。
|
||||
|
||||
这个过程主要由 **Vision Transformer (ViT)** 完成。**请注意：ViT 本身就是一个独立的、强大的深度学习模型**，你可以把它想象成 AI 的“视网膜”。
|
||||
### 1.1 切块 (Patchify) —— 制作视觉单词
|
||||
|
||||
### 1.1 为什么是 Transformer？(ViT 详解)
|
||||
LLM 习惯读单词。为了配合它，我们得把一张完整的图片切成一个个小方块（Patch）。
|
||||
|
||||
在 ViT 出现之前，计算机看图主要靠 **CNN (卷积神经网络)**，它像一个放大镜，一点一点地扫描图片提取特征。但 CNN 有个局限：它很难理解“全局关系”（比如左上角的鸟和右下角的树有什么关系）。
|
||||
- **图片** = 一篇文章
|
||||
- **方块 (Patch)** = 一个单词
|
||||
|
||||
**Transformer** 的核心优势在于**全局注意力 (Global Attention)**。它能同时看到整张图，并理解各个部分之间的关联。
|
||||
通常，我们会把图片切成 $16 \times 16$ 像素的小方块。一张 $224 \times 224$ 的图片就会变成 $14 \times 14 = 196$ 个方块。
|
||||
|
||||
但 Transformer 本来是处理文本（一维序列）的，怎么处理图片（二维矩阵）呢？
|
||||
> 🕹️ **交互演示**：点击下方按钮，看图片是如何被“切”成单词的。
|
||||
|
||||
| NLP (文本处理) | CV (图像处理) |
|
||||
| :--------------------- | :--------------------------- |
|
||||
| **句子** (Sentence) | **图片** (Image) |
|
||||
| **单词** (Word) | **图片块** (Patch) |
|
||||
| **词向量** (Embedding) | **特征向量** (Patch Feature) |
|
||||
<PatchifyDemo />
|
||||
|
||||
**ViT 的核心思想**：把一张图切成很多小块，然后把这些小块当成一个个单词，排成一句话喂给 Transformer。
|
||||
### 1.2 序列化 (Flatten) —— 排成一句话
|
||||
|
||||
#### 核心步骤拆解：
|
||||
切完后，我们得到的是一个 $14 \times 14$ 的方阵。但 LLM 只能读**一行字**（序列）。
|
||||
所以，我们必须把这个方阵**拍扁**，变成长长的一串。
|
||||
|
||||
1. **切块 (Patchify)**：
|
||||
就像把一张完整的拼图拆散。假设输入图片是 `224x224` 像素，我们设定每个 Patch 大小为 `16x16`。
|
||||
那么这张图就被切成了 (224/16) × (224/16) = 14 × 14 = 196 个小块。
|
||||
每个小块就是一个基础的视觉单词。
|
||||
- **原本**：二维矩阵（有行有列）。
|
||||
- **现在**：一维长条（只有前后）。
|
||||
|
||||
<PatchifyDemo />
|
||||
这样，图片就变成了一串“视觉单词序列”。
|
||||
|
||||
2. **拉平与映射 (Linear Projection)**：
|
||||
每个 `16x16` 的彩色小块包含 16 × 16 × 3 (RGB) = 768 个像素点。
|
||||
我们把这 768 个点拉成一条直线（向量），然后通过一个线性层（矩阵乘法）把它压缩成固定长度的特征向量（比如 768 维或 1024 维）。
|
||||
_现在的状态：196 个向量。_
|
||||
下面的演示展示了：**一个 Patch** 是如何被拍扁，并变成一个**向量**（计算机能读懂的数字列表）的。
|
||||
|
||||
<LinearProjectionDemo />
|
||||
|
||||
3. **加上位置编码 (Positional Embedding)**：
|
||||
Transformer 是“无序”的。如果你把拼图打乱，它就不知道哪块是头，哪块是脚。
|
||||
所以，我们必须给每个向量“贴上号码牌”：这是第1行第1列，那是第3行第5列。
|
||||
这样模型就能记住图片的空间结构。
|
||||
|
||||
<PositionalEmbeddingDemo />
|
||||
|
||||
4. **自注意力机制 (Self-Attention)**：
|
||||
这是最神奇的一步。这 196 个 Patch 开始“开会”互相交流。
|
||||
- **Patch A (猫耳朵)** 问：我是毛茸茸的三角形，谁跟我有关？
|
||||
- **Patch B (猫脸)** 回答：我是圆圆的脸，我们可以拼成一只猫头！
|
||||
- **Patch C (背景树)** 回答：我是绿色的，跟你们关系不大。
|
||||
通过层层计算，模型不仅识别出了孤立的特征，还理解了物体之间的**语义关系**。
|
||||
|
||||
<AttentionDemo />
|
||||
|
||||
5. **输出 (Output)**：
|
||||
最终，ViT 输出的是一串**富含语义的特征向量序列**。这串向量就是 LLM 后续要阅读的“图像文章”。
|
||||
|
||||
<ViTOutputDemo />
|
||||
<LinearProjectionDemo />
|
||||
|
||||
---
|
||||
|
||||
## 2. 核心难题：跨界沟通 (Projection)
|
||||
## 2. 第二步：跨物种翻译 (Projection)
|
||||
|
||||
ViT 输出的向量虽然包含了图像信息，但它说的是“视觉方言”，LLM 的大脑只能听懂“文本方言”。
|
||||
**Projector (投射器)** 就是这个翻译官，负责对齐这两种语言的维度和语义。
|
||||
现在我们有了一串“视觉单词”，但 LLM 还是读不懂。
|
||||
因为这些“视觉单词”是**像素特征**（比如“这里是红色”、“那里有条线”），而 LLM 懂的是**语义特征**（比如“这是猫”、“那是树”）。
|
||||
|
||||
### 架构对比：三种流派
|
||||
这就需要一个翻译官：**Projector (投射器)**。
|
||||
|
||||
### 2.1 翻译官的作用
|
||||
|
||||
Projector 的工作就是把**视觉特征向量**（ViT 的输出）转换成**文本特征向量**（LLM 的输入）。
|
||||
|
||||
你可以把它理解为**外语翻译器**：
|
||||
- **输入**：视觉语言（ViT output）
|
||||
- **处理**：翻译（矩阵变换）
|
||||
- **输出**：LLM 语言（LLM embedding）
|
||||
|
||||
<ProjectorDemo />
|
||||
|
||||
#### 1. 简单粗暴派：Linear Projector (如 LLaVA)
|
||||
### 2.2 不同的翻译流派
|
||||
|
||||
- **结构**：一个简单的全连接层 (MLP)。
|
||||
- **数学原理**：$Y = WX + b$。其中 $X$ 是视觉向量，$W$ 是训练好的权重矩阵。
|
||||
- **比喻**：**直译**。把视觉向量强行“拉伸”或“压缩”到和文本向量一样的维度。
|
||||
- **优点**：保留了最多的原始视觉信息，几乎没有信息损失。
|
||||
- **缺点**：Token 数量多。一张图可能产生 576 个 Token，LLM 处理起来比较累。
|
||||
为了翻译得更好，科学家们发明了不同的翻译工具：
|
||||
|
||||
#### 2. 精细提取派：Q-Former (如 BLIP-2)
|
||||
1. **直译派 (Linear)**：
|
||||
- 做法：简单粗暴，通过一个矩阵乘法直接转换。
|
||||
- 特点：**保留原汁原味**，但废话多（Token 数量多）。
|
||||
- 代表：LLaVA。
|
||||
|
||||
- **结构**：一个小型的 Transformer，带有两组输入：一组是固定的“查询向量 (Queries)”，一组是图片特征。
|
||||
- **原理**：
|
||||
- 预设 32 个 Query（就像 32 个带着问题的记者）。
|
||||
- 这些记者进入图片特征的海洋里，寻找自己感兴趣的信息。
|
||||
- 最后只输出这 32 个记者采集到的精华摘要。
|
||||
- **比喻**：**意译/摘要**。不管原图多复杂，我都只给你总结出 32 句话。
|
||||
- **优点**：Token 数量极少（32个），LLM 跑得飞快。
|
||||
- **缺点**：信息压缩太狠，容易丢失细节（比如图片角落里的小字）。
|
||||
2. **意译派 (Q-Former/Resampler)**：
|
||||
- 做法：用一个小模型先读一遍图片，总结出几十个核心要点。
|
||||
- 特点：**精简**，Token 少，但可能会漏掉细节。
|
||||
- 代表：BLIP-2, Gemini。
|
||||
|
||||
#### 3. 注意力压缩派：C-Abstractor (如 Qwen-VL)
|
||||
|
||||
- **结构**：在 Linear 和 Q-Former 之间取平衡。利用卷积或注意力机制将相邻的 Patch 合并。
|
||||
- **原理**：比如把 $2\times2$ 的 4 个 Patch 合并成 1 个。
|
||||
- **优点**：既减少了 Token 数量（降低计算量），又保留了足够的空间细节。
|
||||
3. **折中派 (C-Abstractor)**：
|
||||
- 做法：把相邻的几个方块合并成一个，既压缩了长度，又保留了空间感。
|
||||
- 代表：Qwen-VL。
|
||||
|
||||
---
|
||||
|
||||
## 3. 进化之路：ViT + LLM
|
||||
## 3. 第三步：合体 (The Architecture)
|
||||
|
||||
现在的多模态大模型（M-LLM）本质上就是：**给 LLM 装了一副眼镜**。
|
||||
现在，零件都准备好了，我们把它们组装起来，就成了一个标准的 VLM。
|
||||
|
||||
### 模型架构对比
|
||||
|
||||
让我们直观地对比一下传统 LLM 和 VLM 在架构上的区别。
|
||||
### 3.1 VLM 的身体结构
|
||||
|
||||
<ModelArchitectureComparisonDemo />
|
||||
|
||||
### 模型解剖
|
||||
一个典型的 VLM（如 LLaVA）由三个部分组成：
|
||||
|
||||
一个标准的 LLaVA 架构模型由三部分物理连接而成：
|
||||
1. **眼睛 (Vision Encoder)**：
|
||||
- 负责看图。
|
||||
- 通常直接借用现成的、训练好的视觉模型（如 CLIP, SigLIP）。
|
||||
- *它就像视网膜，负责感光。*
|
||||
|
||||
1. **Vision Encoder (ViT)**
|
||||
- _来源_：通常借用已经训练好的模型（如 CLIP-ViT-L/14, SigLIP）。
|
||||
- _状态_：在训练初期通常是**冻结 (Frozen)** 的，因为它们已经很会看图了。
|
||||
2. **Projector (Adapter)**
|
||||
- _来源_：从零初始化。
|
||||
- _状态_：**全程训练**。它是连接视觉和语言的关键枢纽。
|
||||
3. **LLM (Backbone)**
|
||||
- _来源_：开源大模型（如 Vicuna, Qwen, Llama-3）。
|
||||
- _状态_：在预训练阶段冻结，在微调阶段解冻。
|
||||
2. **视神经 (Projector)**：
|
||||
- 负责传输和翻译信号。
|
||||
- 这是 VLM 训练的重点。
|
||||
- *它连接眼睛和大脑。*
|
||||
|
||||
### 视频也能看吗？
|
||||
|
||||
是的。对于模型来说，视频就是**一连串连续的图片**。
|
||||
|
||||
- **抽帧**：每秒抽取 1 帧或 2 帧。
|
||||
- **堆叠**：把这 10 张图片的 Token 串起来，告诉 LLM：“这是第一帧，这是第二帧...”。
|
||||
- **时间编码**：有些高级模型会加上“时间戳 Token”，让 LLM 理解动作的先后顺序。
|
||||
3. **大脑 (LLM)**：
|
||||
- 负责思考和回答。
|
||||
- 借用现成的强大 LLM（如 Vicuna, Qwen）。
|
||||
- *它负责理解看到了什么，并组织语言回答。*
|
||||
|
||||
---
|
||||
|
||||
## 4. 训练揭秘：从对齐到对话 (Training Pipeline)
|
||||
## 4. 它是怎么学会看图的？(Training)
|
||||
|
||||
要把这三个零件（ViT, Projector, LLM）磨合好，通常需要两阶段训练。
|
||||
刚组装好的 VLM 其实是“瞎”的，因为视神经（Projector）还没连通。我们需要分两步教它。
|
||||
|
||||
### 阶段一：特征对齐 (Feature Alignment / Pre-training)
|
||||
### 阶段一：认物 (Feature Alignment)
|
||||
|
||||
- **目标**：让 Projector 学会翻译。此时 LLM 还不参与学习，只是充当裁判。
|
||||
- **做法**：
|
||||
- **冻结**：ViT 和 LLM。
|
||||
- **只训练**：Projector。
|
||||
- **数据**：558K 对简单的 `<图片, 标题>` 数据 (CC3M, LAION)。
|
||||
- **过程**：
|
||||
输入一张“猫”的图 -> ViT -> Projector -> 得到向量 V。
|
||||
输入文字“一只猫” -> LLM -> 得到向量 T。
|
||||
**Loss**：强迫向量 V 和向量 T 尽可能相似。
|
||||
- **结果**：Projector 能够把图像特征转换成 LLM 能够理解的 Embedding 空间。
|
||||
这一阶段就像教婴儿认卡片。
|
||||
|
||||
- **给它看**：一张“猫”的照片。
|
||||
- **告诉它**：这是“猫”。
|
||||
- **目标**：让 Projector 学会把“猫的照片特征”翻译成“猫这个字的向量”。
|
||||
- **状态**：冻结眼睛和大脑，**只训练视神经 (Projector)**。
|
||||
|
||||
<FeatureAlignmentDemo />
|
||||
|
||||
### 阶段二：视觉指令微调 (Visual Instruction Tuning / SFT)
|
||||
### 阶段二：对话 (Visual Instruction Tuning)
|
||||
|
||||
- **目标**：让模型学会听指令，进行复杂对话。
|
||||
- **做法**：
|
||||
- **冻结**：ViT (通常保持冻结，有些激进的训练会解冻)。
|
||||
- **全量微调**：Projector + LLM。
|
||||
- **数据**：150K+ 高质量的对话数据 (LLaVA-Instruct)。
|
||||
- _User_: `<image>` 图中的男人穿什么颜色的衣服？
|
||||
- _Assistant_: 他穿着一件蓝色的衬衫。
|
||||
- **结果**：LLM 学会了结合图片信息来回答用户的问题，而不仅仅是补全文字。
|
||||
这一阶段是教它根据图片回答复杂问题。
|
||||
|
||||
- **用户问**：`<图片>` 图里的猫在干什么？
|
||||
- **教它答**：它在睡觉。
|
||||
- **目标**：让大脑 (LLM) 学会处理视觉信息，并结合常识进行推理。
|
||||
- **状态**：通常会同时微调 **Projector** 和 **LLM**。
|
||||
|
||||
<VLMInferenceDemo />
|
||||
|
||||
---
|
||||
|
||||
## 5. 进阶：新模型的视觉 Trick (Advanced Tricks)
|
||||
## 5. 进阶：看得更清 (Advanced Tricks)
|
||||
|
||||
### 5.1 Qwen-VL 的创新：像人眼一样看 (Naive Dynamic Resolution)
|
||||
基础的 VLM 有个大问题：**视力不好**。
|
||||
传统的 ViT 只能看 $224 \times 224$ 或 $336 \times 336$ 分辨率的图。这就像透过一个低清摄像头看世界，小字根本看不清。
|
||||
|
||||
传统的 ViT (如 CLIP) 有个大毛病：**强制缩放**。
|
||||
不管你给它一张长长的手机截图，还是一张扁扁的全景照，它都会粗暴地把图片拉伸成 `224x224` 的正方形。
|
||||
现在的模型（如 Qwen-VL, LLaVA-NeXT）用了一些聪明的方法来解决这个问题：
|
||||
|
||||
- **后果**：文字变形看不清，小物体丢失。
|
||||
### 5.1 动态分辨率 (Dynamic Resolution)
|
||||
|
||||
**Qwen-VL** 引入了 **Naive Dynamic Resolution（动态分辨率）** 机制：
|
||||
简单说，就是**“拼图法”**。
|
||||
|
||||
1. **保持原比例**：图片是长条的，就按长条的切。
|
||||
2. **智能分块**：将大图切成多个 `224x224` 的子图（就像用手机拍全景时移动镜头）。
|
||||
3. **全局视角**：除了看局部细节，还会生成一张缩略图看整体布局。
|
||||
这就好比人眼看东西：既能眯着眼看全貌，也能凑近了看细节，保证了高清图像的信息不丢失。
|
||||
如果图片很大（比如 $1000 \times 1000$），模型不会强行把它缩小，而是：
|
||||
1. 把它切成好几张 $336 \times 336$ 的小图。
|
||||
2. 分别看这些小图（看细节）。
|
||||
3. 再把全图缩小看一遍（看全貌）。
|
||||
4. 最后把所有信息拼起来。
|
||||
|
||||
### 5.2 LLaVA-NeXT (LLaVA-1.6): AnyRes 技术
|
||||
这就好比你用手机拍全景照片，分段扫描，最后合成一张高清大图。
|
||||
|
||||
**LLaVA-NeXT** 采用了 **AnyRes (Any Resolution)** 技术，这是一种灵活的分辨率处理策略。
|
||||
### 5.2 换个大眼睛
|
||||
|
||||
- **网格切分**：它构建了一个包含不同长宽比的网格配置集合（如 1:1, 1:2, 2:1 等）。给定一张输入图像，模型会从集合中选择最匹配的网格配置。
|
||||
- **避免变形**：通过这种方式，尽可能减少因缩放导致的图像变形。
|
||||
- **全局与局部结合**：它也会同时输入一张调整大小后的全图（用于看整体）和切分后的局部图块（用于看细节），让 LLM 综合判断。
|
||||
|
||||
### 5.3 InternVL: 让眼睛变大 (Scaling Vision Encoder)
|
||||
|
||||
传统的 VLM 往往使用 CLIP-ViT-Large (约 300M 参数) 作为视觉编码器。
|
||||
**InternVL (书生·万象)** 的思路很直接：**如果视力不好，那就换个更大的眼睛！**
|
||||
|
||||
- 它使用了一个高达 **60亿参数 (6B)** 的超大视觉编码器 (InternViT-6B)。
|
||||
- 这使得模型在无需任何微调的情况下，光靠“眼睛”就能看懂非常复杂的视觉细节，甚至能做语义分割。
|
||||
|
||||
### 5.4 DeepSeek-VL & MiniCPM-V: 细节为王 (High-Res Tiling)
|
||||
|
||||
对于需要看清密集文字（OCR）或微小物体（如仪表盘读数）的场景，**DeepSeek-VL** 和 **MiniCPM-V** 采用了更激进的高清切片策略。
|
||||
|
||||
- **混合视觉编码**：DeepSeek-VL 混合使用了负责语义理解的 SigLIP 和负责细节捕捉的 SAM (Segment Anything Model) 编码器，兼顾了“看得懂”和“看得清”。
|
||||
- **自适应切片**：MiniCPM-V 针对端侧设备优化，能够智能地将高清大图切分为多个小图输入，即使是 800万像素的图片也能在手机上被精准识别。
|
||||
还有一种暴力美学：直接换一个更强的视觉模型。
|
||||
比如 **InternVL**，直接用了一个 60 亿参数的超大视觉模型（InternViT-6B）。
|
||||
这相当于从“手机摄像头”升级到了“哈勃望远镜”，不用切图也能看得一清二楚。
|
||||
|
||||
---
|
||||
|
||||
## 6. 总结
|
||||
|
||||
VLM 的奇迹在于它证明了**语义的统一性**。无论是像素（图像）还是字符（文本），在深度神经网络的高维空间里，最终都可以汇聚为统一的数学表示。
|
||||
多模态大模型 (VLM) 并没有什么魔法。它只是做了一件事：
|
||||
|
||||
当你给 AI 发一张照片时，你其实是在发送一串它能“读懂”的数字诗篇。
|
||||
**把“图像”这种外语，翻译成了“文本”这种母语，然后喂给了 LLM。**
|
||||
|
||||
只要理解了这一点，你就理解了 VLM 的一切。
|
||||
|
||||
---
|
||||
|
||||
## 7. 名词速查表 (Glossary)
|
||||
|
||||
| 名词 | 全称 | 解释 |
|
||||
| :---------------------------- | :---------------------------- | :--------------------------------------------------------------------------------------------- |
|
||||
| **VLM** | Vision-Language Model | 多模态大模型。既能理解文本，又能理解图像（甚至视频）的 AI 模型。 |
|
||||
| **ViT** | Vision Transformer | 视觉 Transformer。将图像切分为 Patch 并通过 Self-Attention 提取特征的模型，是 VLM 的“眼睛”。 |
|
||||
| **Patch** | - | **图像块**。ViT 将图像切分成的固定大小的小方块（如 16x16 像素），相当于文本中的单词。 |
|
||||
| **Projector** | - | **投射器/对齐层**。连接 ViT 和 LLM 的桥梁，负责将视觉特征向量转换为 LLM 能理解的文本向量维度。 |
|
||||
| **Linear Projection** | - | **线性映射**。最简单的 Projector，通过一个矩阵乘法改变向量维度。 |
|
||||
| **Q-Former** | Querying Transformer | 一种复杂的 Projector，使用可学习的 Query 向量从图像特征中提取关键信息。 |
|
||||
| **Feature Alignment** | - | **特征对齐**。VLM 训练的第一阶段，目的是让 Projector 学会将图像特征映射到文本空间。 |
|
||||
| **Visual Instruction Tuning** | - | **视觉指令微调**。VLM 训练的第二阶段，使用多模态对话数据让模型学会根据图像回答问题。 |
|
||||
| **Resolution** | - | **分辨率**。图像的像素尺寸（如 224x224）。分辨率越高，看得越清，但计算量越大。 |
|
||||
| **AnyRes** | Any Resolution | **任意分辨率**。一种能够灵活处理不同尺寸和长宽比图像的技术，避免图像变形。 |
|
||||
| **OCR** | Optical Character Recognition | **光学字符识别**。从图像中提取文字的技术。现代 VLM 通常具备强大的 OCR 能力。 |
|
||||
| 名词 | 全称 | 解释 |
|
||||
| :--- | :--- | :--- |
|
||||
| **VLM** | Vision-Language Model | **多模态大模型**。能看懂图的 GPT。 |
|
||||
| **ViT** | Vision Transformer | **视觉模型**。VLM 的“眼睛”，负责把像素变成向量。 |
|
||||
| **Patch** | - | **图像块**。图片被切成的小方块，相当于“视觉单词”。 |
|
||||
| **Projector** | - | **投射器/翻译官**。连接眼睛和大脑的桥梁。 |
|
||||
| **Alignment** | - | **对齐**。让图像特征和文本特征在同一个空间里“互相听得懂”。 |
|
||||
|
||||
Reference in New Issue
Block a user