欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

OpenClaw-RL實(shí)戰(zhàn):基于OPD教師模型的強(qiáng)化學(xué)習(xí)策略優(yōu)化

OpenClaw-RL實(shí)戰(zhàn):基于OPD教師模型的強(qiáng)化學(xué)習(xí)策略優(yōu)化 1. 項(xiàng)目概述從“后悔”到“聰明”的AI進(jìn)化之路最近在搞強(qiáng)化學(xué)習(xí)項(xiàng)目特別是基于OpenClaw-RL框架的探索發(fā)現(xiàn)一個(gè)特別有意思的課題如何讓AI學(xué)會(huì)“聰明”地做決策而不是像個(gè)莽夫一樣亂撞。這聽(tīng)起來(lái)有點(diǎn)玄乎但核心其實(shí)就一個(gè)詞——“后悔”。我們?nèi)祟愖鲥e(cuò)事會(huì)后悔然后下次就知道怎么做了AI能不能也這樣當(dāng)然能這就是OPDOptimal Policy Distillation最優(yōu)策略蒸餾教師模型訓(xùn)練的核心思想。簡(jiǎn)單來(lái)說(shuō)它不是讓AI從零開(kāi)始瞎摸索而是先給它看一個(gè)“笨老師”是怎么做的然后讓AI去分析這個(gè)“笨老師”哪里做錯(cuò)了、哪里可以做得更好最后自己總結(jié)出一套更“聰明”的策略。這個(gè)過(guò)程本質(zhì)上就是讓AI學(xué)會(huì)從“后悔”對(duì)次優(yōu)行為的反思中學(xué)習(xí)。這個(gè)項(xiàng)目標(biāo)題“OpenClaw-RL 實(shí)戰(zhàn) 09OPD教師模型訓(xùn)練”點(diǎn)明了幾個(gè)關(guān)鍵信息首先它是一個(gè)實(shí)戰(zhàn)系列的一部分意味著我們要?jiǎng)邮肿霾皇强照劺碚撈浯嗡贠penClaw-RL這個(gè)框架這是一個(gè)用于機(jī)器人操作或復(fù)雜決策任務(wù)的強(qiáng)化學(xué)習(xí)庫(kù)最后核心是OPD教師模型訓(xùn)練。這里的“教師模型”不是指一個(gè)已經(jīng)完美無(wú)缺的專家而更像是一個(gè)“先行者”或“示范者”它可能策略不完美但它的經(jīng)驗(yàn)包括成功和失敗是學(xué)生模型學(xué)習(xí)的寶貴素材。我們最終的目標(biāo)是訓(xùn)練出一個(gè)能超越這位“教師”的、更“聰明”的學(xué)生模型。那么這適合誰(shuí)呢如果你正在研究強(qiáng)化學(xué)習(xí)特別是模仿學(xué)習(xí)、離線強(qiáng)化學(xué)習(xí)或者策略蒸餾想提升智能體在稀疏獎(jiǎng)勵(lì)或復(fù)雜環(huán)境下的表現(xiàn)那這個(gè)內(nèi)容就是為你準(zhǔn)備的。即使你對(duì)OpenClaw-RL不熟但理解OPD的思想和實(shí)現(xiàn)流程也能輕松遷移到其他RL框架中。接下來(lái)我們就拆開(kāi)揉碎了看看怎么一步步讓AI學(xué)會(huì)“吃一塹長(zhǎng)一智”。2. OPD核心思想與為什么需要“后悔”在深入代碼之前我們必須先搞清楚OPD到底在解決什么問(wèn)題以及“后悔”這個(gè)概念是如何被量化和利用的。傳統(tǒng)的強(qiáng)化學(xué)習(xí)比如DQN、PPO是讓智能體通過(guò)與環(huán)境交互根據(jù)獲得的獎(jiǎng)勵(lì)或懲罰來(lái)調(diào)整自己的行為。這就像教小孩走路摔一跤負(fù)獎(jiǎng)勵(lì)就知道下次要小心。但在很多現(xiàn)實(shí)任務(wù)中比如機(jī)器人抓取、游戲?qū)墨@取高質(zhì)量、稠密的獎(jiǎng)勵(lì)信號(hào)非常困難或者交互成本極高。智能體很容易陷入局部最優(yōu)或者探索效率極低。模仿學(xué)習(xí)Imitation Learning是一種思路直接給智能體看專家演示專家軌跡讓它照著學(xué)。但這要求專家數(shù)據(jù)必須高質(zhì)量且充足成本很高。而且如果專家也不是完美的呢學(xué)生最多只能達(dá)到老師的水平無(wú)法青出于藍(lán)。OPD提供了一條中間道路。它不要求教師模型是最優(yōu)策略甚至允許教師策略是次優(yōu)的。它的核心是利用教師模型產(chǎn)生的軌跡狀態(tài)-動(dòng)作序列通過(guò)離線策略評(píng)估的方法比如重要性采樣、Fitted Q Evaluation來(lái)估計(jì)這些軌跡中每個(gè)決策的“優(yōu)勢(shì)”Advantage或“后悔值”Regret。這個(gè)“后悔值”衡量的是在某個(gè)狀態(tài)下教師采取的動(dòng)作相比于可能的最佳動(dòng)作差了多少。2.1 “后悔”的數(shù)學(xué)化優(yōu)勢(shì)函數(shù)與Q值怎么計(jì)算這個(gè)“后悔”呢這里就需要引入強(qiáng)化學(xué)習(xí)里的兩個(gè)核心函數(shù)狀態(tài)價(jià)值函數(shù)V(s)和動(dòng)作價(jià)值函數(shù)Q(s, a)。V(s)表示從狀態(tài)s開(kāi)始遵循當(dāng)前策略能獲得的期望累積回報(bào)。它評(píng)價(jià)一個(gè)狀態(tài)“好不好”。Q(s, a)表示在狀態(tài)s下采取動(dòng)作a然后遵循當(dāng)前策略能獲得的期望累積回報(bào)。它評(píng)價(jià)一個(gè)狀態(tài)-動(dòng)作對(duì)“好不好”。那么優(yōu)勢(shì)函數(shù)A(s, a) Q(s, a) - V(s)。它的含義非常直觀在狀態(tài)s下采取動(dòng)作a比遵循當(dāng)前策略的平均水平好或差多少。如果A(s, a) 0說(shuō)明這個(gè)動(dòng)作比“平常表現(xiàn)”要好是值得鼓勵(lì)的如果A(s, a) 0說(shuō)明這個(gè)動(dòng)作拖了后腿相當(dāng)于一次“后悔”。在OPD中我們使用教師策略π_teacher與環(huán)境交互收集到一批軌跡數(shù)據(jù)D {(s_t, a_t, s_{t1}, r_t)}。然后我們利用這批數(shù)據(jù)通過(guò)離線評(píng)估算法例如訓(xùn)練一個(gè)Q網(wǎng)絡(luò)來(lái)擬合教師數(shù)據(jù)中的回報(bào)估算出教師軌跡中每個(gè)(s_t, a_t)對(duì)應(yīng)的Q_teacher(s_t, a_t)。同時(shí)我們也能估算出V_teacher(s_t)例如通過(guò)對(duì)所有可能動(dòng)作的Q值按教師策略概率加權(quán)平均或者直接用另一個(gè)網(wǎng)絡(luò)擬合狀態(tài)價(jià)值。這樣一來(lái)我們就能計(jì)算出每個(gè)教師動(dòng)作的優(yōu)勢(shì)值A(chǔ)_teacher(s_t, a_t) Q_teacher(s_t, a_t) - V_teacher(s_t)。這個(gè)A_teacher(s_t, a_t)就是我們量化后的“后悔”當(dāng)它為負(fù)時(shí)或“驚喜”當(dāng)它為正時(shí)。學(xué)生模型的學(xué)習(xí)目標(biāo)就是要去模仿那些優(yōu)勢(shì)值為正表現(xiàn)好的動(dòng)作同時(shí)避免或糾正那些優(yōu)勢(shì)值為負(fù)表現(xiàn)差即令人“后悔”的動(dòng)作。它不僅僅模仿行為更模仿行為背后的“價(jià)值判斷”。2.2 OPD與行為克隆、DQN的區(qū)別為了更清楚理解OPD的定位我們把它和常見(jiàn)方法做個(gè)對(duì)比方法數(shù)據(jù)來(lái)源學(xué)習(xí)目標(biāo)優(yōu)點(diǎn)缺點(diǎn)行為克隆專家軌跡 (s, a)最小化動(dòng)作預(yù)測(cè)誤差簡(jiǎn)單直接樣本效率高需要完美專家復(fù)合誤差累積無(wú)法超越專家DQN在線交互 (s, a, r, s)最小化時(shí)序差分誤差能發(fā)現(xiàn)新策略理論上有最優(yōu)解探索成本高需要稠密獎(jiǎng)勵(lì)訓(xùn)練不穩(wěn)定OPD教師軌跡 (s, a, r, s)最大化期望優(yōu)勢(shì)值能利用次優(yōu)數(shù)據(jù)可超越教師樣本效率較高依賴離線評(píng)估的準(zhǔn)確性計(jì)算復(fù)雜度稍高注意OPD中的“教師”不一定是一個(gè)人也可以是一個(gè)訓(xùn)練到一半的RL策略、一個(gè)基于規(guī)則的控制器甚至是多個(gè)不同策略的混合。這大大拓寬了可用數(shù)據(jù)的來(lái)源。所以O(shè)PD的精妙之處在于它把“模仿”升級(jí)成了“批判性模仿”。學(xué)生模型不再盲目照搬老師的每一個(gè)動(dòng)作而是學(xué)會(huì)了評(píng)價(jià)“老師在這個(gè)地方這么干其實(shí)挺蠢的優(yōu)勢(shì)為負(fù)我下次得換個(gè)法子?!?或者“老師這手操作真妙優(yōu)勢(shì)為正我得好好學(xué)?!?這個(gè)過(guò)程就是AI從“后悔”中學(xué)會(huì)“聰明”的本質(zhì)。3. OpenClaw-RL框架下的OPD實(shí)戰(zhàn)設(shè)計(jì)理解了理論我們就要在OpenClaw-RL這個(gè)具體框架里把它實(shí)現(xiàn)。OpenClaw-RL通常用于機(jī)器人靈巧操作任務(wù)比如抓取、擺放、旋擰等。這些任務(wù)狀態(tài)空間圖像、關(guān)節(jié)角度和動(dòng)作空間連續(xù)電機(jī)控制都非常復(fù)雜獎(jiǎng)勵(lì)函數(shù)難以設(shè)計(jì)因此OPD這類方法特別有吸引力。我們的實(shí)戰(zhàn)目標(biāo)可以設(shè)定為訓(xùn)練一個(gè)機(jī)械爪Claw完成將某個(gè)物體從A點(diǎn)抓取并放到B點(diǎn)的任務(wù)。我們有一個(gè)基于傳統(tǒng)控制器或者簡(jiǎn)單RL訓(xùn)練出來(lái)的“教師策略”這個(gè)策略成功率可能只有60%且動(dòng)作有時(shí)冗余、不流暢。我們要用OPD訓(xùn)練一個(gè)“學(xué)生策略”目標(biāo)是超越教師達(dá)到85%以上的成功率并且動(dòng)作更優(yōu)化。3.1 系統(tǒng)整體架構(gòu)設(shè)計(jì)整個(gè)OPD訓(xùn)練流程可以分解為四個(gè)核心模塊它們形成一個(gè)閉環(huán)數(shù)據(jù)收集模塊運(yùn)行教師策略π_teacher在環(huán)境中采集大量軌跡數(shù)據(jù)存儲(chǔ)為經(jīng)驗(yàn)回放緩沖區(qū)D_teacher。每條數(shù)據(jù)包括狀態(tài)s_t動(dòng)作a_t獎(jiǎng)勵(lì)r_t下一狀態(tài)s_{t1}回合結(jié)束標(biāo)志done。實(shí)操要點(diǎn)采集的數(shù)據(jù)量要足夠大以覆蓋任務(wù)的各種狀態(tài)。教師策略可以是隨機(jī)噪聲稍小的策略以增加數(shù)據(jù)的多樣性。離線評(píng)估模塊這是OPD的核心。使用D_teacher中的數(shù)據(jù)訓(xùn)練一個(gè)Q值網(wǎng)絡(luò)Q_phi(s, a)和一個(gè)狀態(tài)價(jià)值網(wǎng)絡(luò)V_psi(s)。目標(biāo)是讓Q_phi能準(zhǔn)確預(yù)測(cè)教師數(shù)據(jù)中累積回報(bào)的期望。常用方法Fitted Q Evaluation (FQE)。通過(guò)最小化時(shí)序差分TD誤差來(lái)訓(xùn)練Q網(wǎng)絡(luò)L E[(r γ * Q_phi(s, a) - Q_phi(s, a))^2]其中a是根據(jù)教師策略在s下采樣的動(dòng)作。V網(wǎng)絡(luò)可以從Q網(wǎng)絡(luò)推導(dǎo)也可以獨(dú)立訓(xùn)練。優(yōu)勢(shì)計(jì)算與數(shù)據(jù)過(guò)濾模塊對(duì)于D_teacher中的每一個(gè)數(shù)據(jù)點(diǎn)(s, a)利用訓(xùn)練好的Q_phi和V_psi計(jì)算優(yōu)勢(shì)值A(chǔ)(s, a) Q_phi(s, a) - V_psi(s)。我們可以根據(jù)優(yōu)勢(shì)值對(duì)數(shù)據(jù)進(jìn)行過(guò)濾或加權(quán)。常見(jiàn)技巧只保留優(yōu)勢(shì)值為正的數(shù)據(jù)即教師做得好的部分給學(xué)生學(xué)習(xí)?;蛘呓o每條數(shù)據(jù)分配一個(gè)權(quán)重例如weight exp(A(s, a) / temperature)優(yōu)勢(shì)越高的數(shù)據(jù)權(quán)重越大。學(xué)生策略訓(xùn)練模塊學(xué)生策略π_theta是一個(gè)神經(jīng)網(wǎng)絡(luò)如高斯策略。它的訓(xùn)練目標(biāo)不再是簡(jiǎn)單的行為克隆模仿動(dòng)作a而是最大化它所采取的動(dòng)作的預(yù)期優(yōu)勢(shì)值。損失函數(shù)可以設(shè)計(jì)為L(zhǎng)(θ) - E_{s~D} [ A(s, π_θ(s)) ] 同時(shí)可以加上一個(gè)與教師動(dòng)作分布KL散度的約束防止策略偏離太遠(yuǎn)導(dǎo)致不穩(wěn)定。實(shí)現(xiàn)方式這類似于策略梯度。我們可以用重參數(shù)化技巧采樣學(xué)生動(dòng)作然后用計(jì)算出的優(yōu)勢(shì)值作為權(quán)重來(lái)更新策略網(wǎng)絡(luò)。這四個(gè)模塊構(gòu)成了迭代優(yōu)化的基礎(chǔ)。學(xué)生策略提升后甚至可以將其作為新的“教師”收集數(shù)據(jù)重新進(jìn)行離線評(píng)估和訓(xùn)練實(shí)現(xiàn)自我進(jìn)化。3.2 關(guān)鍵超參數(shù)與設(shè)計(jì)選擇在動(dòng)手寫代碼前有幾個(gè)關(guān)鍵設(shè)計(jì)需要想清楚網(wǎng)絡(luò)結(jié)構(gòu)Q_phi和π_theta的輸入是狀態(tài)s可能是圖像和向量狀態(tài)的融合輸出分別是標(biāo)量Q值和動(dòng)作分布參數(shù)。網(wǎng)絡(luò)深度和寬度需要根據(jù)任務(wù)復(fù)雜度調(diào)整。對(duì)于機(jī)械爪視覺(jué)任務(wù)通常使用CNN提取圖像特征再與向量狀態(tài)拼接后輸入全連接層。優(yōu)勢(shì)估計(jì)的準(zhǔn)確性這是OPD成敗的關(guān)鍵。FQE的訓(xùn)練穩(wěn)定性需要關(guān)注。技巧包括使用雙Q網(wǎng)絡(luò)減少過(guò)估計(jì)、使用目標(biāo)網(wǎng)絡(luò)穩(wěn)定訓(xùn)練、對(duì)Q值進(jìn)行歸一化等。數(shù)據(jù)過(guò)濾閾值優(yōu)勢(shì)值多大才算“好”這需要一個(gè)閾值??梢詮?開(kāi)始逐步調(diào)整。也可以使用百分位例如只保留優(yōu)勢(shì)值排名前50%的數(shù)據(jù)。策略約束強(qiáng)度在優(yōu)化學(xué)生策略時(shí)完全放開(kāi)可能會(huì)導(dǎo)致在優(yōu)勢(shì)估計(jì)不準(zhǔn)的區(qū)域做出極端行為。因此需要加入與教師策略的KL散度約束系數(shù)β需要調(diào)優(yōu)L_total -E[A(s, π_θ(s))] β * KL(π_θ(·|s) || π_teacher(·|s))。溫度系數(shù)τ在基于權(quán)重的數(shù)據(jù)采樣中溫度τ控制了對(duì)高優(yōu)勢(shì)數(shù)據(jù)的偏好程度。τ越小越傾向于只學(xué)習(xí)最好的那些片段。4. 實(shí)操步驟一教師數(shù)據(jù)收集與環(huán)境搭建我們假設(shè)已經(jīng)有一個(gè)在OpenClaw-RL環(huán)境中能基本運(yùn)行但表現(xiàn)不完美的教師策略。這個(gè)策略可能是一個(gè)訓(xùn)練了100萬(wàn)步的PPO模型成功率飽和在65%。4.1 準(zhǔn)備教師策略與環(huán)境首先確保你的OpenClaw-RL環(huán)境例如一個(gè)模擬的機(jī)器人抓取環(huán)境可以正常導(dǎo)入和運(yùn)行。教師策略通常保存為一個(gè)PyTorch的.pt文件。import torch import gym # 假設(shè)你的環(huán)境是自定義的需要注冊(cè)或直接導(dǎo)入 from openclaw_env import OpenClawGraspEnv # 初始化環(huán)境 env OpenClawGraspEnv(render_modergb_array) state_dim env.observation_space.shape action_dim env.action_space.shape[0] # 加載教師策略模型 class TeacherPolicy(torch.nn.Module): def __init__(self, state_dim, action_dim): super().__init__() # 定義網(wǎng)絡(luò)結(jié)構(gòu)需與保存時(shí)一致 self.fc torch.nn.Sequential( torch.nn.Linear(state_dim[0], 256), torch.nn.ReLU(), torch.nn.Linear(256, 256), torch.nn.ReLU(), torch.nn.Linear(256, action_dim * 2) # 輸出均值和對(duì)數(shù)標(biāo)準(zhǔn)差 ) def forward(self, state): return self.fc(state) teacher_model TeacherPolicy(state_dim, action_dim) teacher_model.load_state_dict(torch.load(./teacher_model_1M.pt)) teacher_model.eval()4.2 收集并存儲(chǔ)軌跡數(shù)據(jù)接下來(lái)運(yùn)行教師策略與環(huán)境交互收集數(shù)據(jù)。我們不僅存儲(chǔ)(s, a, r, s, done)為了后續(xù)方便最好也存儲(chǔ)每個(gè)回合的累計(jì)回報(bào)return和優(yōu)勢(shì)值先占位。import numpy as np from collections import deque import pickle def collect_teacher_data(env, model, num_episodes1000, max_steps500): 收集教師策略的軌跡數(shù)據(jù) buffer { states: [], actions: [], rewards: [], next_states: [], dones: [], returns: [], # 用于后續(xù)驗(yàn)證 advantages: [] # 先占位填0 } for ep in range(num_episodes): state, _ env.reset() episode_states, episode_actions, episode_rewards [], [], [] done False steps 0 while not done and steps max_steps: with torch.no_grad(): state_tensor torch.FloatTensor(state).unsqueeze(0) # 教師策略輸出動(dòng)作分布參數(shù)這里假設(shè)是高斯分布 output model(state_tensor) mean, log_std output.chunk(2, dim-1) std torch.exp(log_std) dist torch.distributions.Normal(mean, std) action dist.sample().numpy().flatten() # 也可以直接取均值但采樣能保留一定的探索性 # action mean.numpy().flatten() next_state, reward, terminated, truncated, _ env.step(action) done terminated or truncated buffer[states].append(state.copy()) buffer[actions].append(action.copy()) buffer[rewards].append(reward) buffer[next_states].append(next_state.copy()) buffer[dones].append(done) buffer[advantages].append(0.0) # 占位 episode_states.append(state) episode_actions.append(action) episode_rewards.append(reward) state next_state steps 1 # 計(jì)算本回合的回報(bào)Monte Carlo Return returns [] G 0 for r in reversed(episode_rewards): G r 0.99 * G # 折扣因子γ0.99 returns.insert(0, G) buffer[returns].extend(returns) if (ep 1) % 100 0: print(fEpisode {ep1}, Total Steps: {len(buffer[states])}, Avg Return: {np.mean(returns):.2f}) # 轉(zhuǎn)換為numpy數(shù)組節(jié)省空間 for key in buffer: buffer[key] np.array(buffer[key]) # 保存數(shù)據(jù) with open(./teacher_data.pkl, wb) as f: pickle.dump(buffer, f) print(f數(shù)據(jù)收集完成共 {len(buffer[states])} 條數(shù)據(jù)。) return buffer # 開(kāi)始收集 teacher_buffer collect_teacher_data(env, teacher_model, num_episodes500)實(shí)操心得收集數(shù)據(jù)時(shí)建議讓教師策略帶有一定的隨機(jī)性如高斯采樣而不是完全確定性輸出。這能增加數(shù)據(jù)的覆蓋度避免學(xué)生只學(xué)到一種僵化的模式。數(shù)據(jù)量建議在10萬(wàn)條以上對(duì)于復(fù)雜任務(wù)可能需要更多。5. 實(shí)操步驟二離線評(píng)估與優(yōu)勢(shì)值計(jì)算有了數(shù)據(jù)我們就可以開(kāi)始最關(guān)鍵的步驟評(píng)估教師策略在每個(gè)決策點(diǎn)上的價(jià)值即計(jì)算Q值和優(yōu)勢(shì)值。5.1 實(shí)現(xiàn)Fitted Q Evaluation (FQE)我們將實(shí)現(xiàn)一個(gè)相對(duì)標(biāo)準(zhǔn)的FQE來(lái)訓(xùn)練Q網(wǎng)絡(luò)。為了穩(wěn)定我們使用目標(biāo)網(wǎng)絡(luò)和雙Q網(wǎng)絡(luò)。import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset class QNetwork(nn.Module): Q(s, a) 網(wǎng)絡(luò) def __init__(self, state_dim, action_dim, hidden_dim256): super().__init__() # 假設(shè)狀態(tài)和動(dòng)作先拼接 self.net nn.Sequential( nn.Linear(state_dim action_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, 1) # 輸出標(biāo)量Q值 ) def forward(self, state, action): x torch.cat([state, action], dim1) return self.net(x) def train_fqe(buffer, state_dim, action_dim, epochs50, batch_size256, lr1e-3): 訓(xùn)練FQE Q網(wǎng)絡(luò) # 準(zhǔn)備數(shù)據(jù) states torch.FloatTensor(buffer[states]) actions torch.FloatTensor(buffer[actions]) rewards torch.FloatTensor(buffer[rewards]) next_states torch.FloatTensor(buffer[next_states]) dones torch.FloatTensor(buffer[dones]) # 初始化兩個(gè)Q網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)減少過(guò)估計(jì) q_net1 QNetwork(state_dim, action_dim) q_net2 QNetwork(state_dim, action_dim) target_q_net1 QNetwork(state_dim, action_dim) target_q_net2 QNetwork(state_dim, action_dim) target_q_net1.load_state_dict(q_net1.state_dict()) target_q_net2.load_state_dict(q_net2.state_dict()) optimizer1 optim.Adam(q_net1.parameters(), lrlr) optimizer2 optim.Adam(q_net2.parameters(), lrlr) dataset TensorDataset(states, actions, rewards, next_states, dones) dataloader DataLoader(dataset, batch_sizebatch_size, shuffleTrue) for epoch in range(epochs): total_loss 0 for batch_states, batch_actions, batch_rewards, batch_next_states, batch_dones in dataloader: # 計(jì)算目標(biāo)Q值r γ * min(Q1_target, Q2_target) with torch.no_grad(): # 教師策略在下一狀態(tài)的動(dòng)作這里需要教師策略模型我們近似使用數(shù)據(jù)中的下一個(gè)動(dòng)作 # 注意嚴(yán)格FQE需要教師策略π_teacher。這里我們使用一個(gè)簡(jiǎn)化假設(shè)數(shù)據(jù)中的下一個(gè)動(dòng)作就是教師策略給出的。 # 更好的做法是用教師策略模型對(duì)batch_next_states重新采樣動(dòng)作。 next_actions torch.FloatTensor(buffer[actions][...]) # 這里需要索引對(duì)應(yīng)簡(jiǎn)化處理 # 實(shí)際應(yīng)調(diào)用 teacher_model(batch_next_states) 采樣動(dòng)作此處為示例簡(jiǎn)化。 # 我們假設(shè)next_actions已準(zhǔn)備好。 target_q1 target_q_net1(batch_next_states, next_actions) target_q2 target_q_net2(batch_next_states, next_actions) target_q torch.min(target_q1, target_q2) # 雙Q學(xué)習(xí)取最小 target batch_rewards.unsqueeze(1) 0.99 * (1 - batch_dones.unsqueeze(1)) * target_q # 計(jì)算當(dāng)前Q值 current_q1 q_net1(batch_states, batch_actions) current_q2 q_net2(batch_states, batch_actions) # 計(jì)算損失 loss1 nn.MSELoss()(current_q1, target) loss2 nn.MSELoss()(current_q2, target) # 反向傳播 optimizer1.zero_grad() loss1.backward() optimizer1.step() optimizer2.zero_grad() loss2.backward() optimizer2.step() total_loss (loss1.item() loss2.item()) / 2 # 軟更新目標(biāo)網(wǎng)絡(luò) tau 0.005 for target_param, param in zip(target_q_net1.parameters(), q_net1.parameters()): target_param.data.copy_(tau * param.data (1.0 - tau) * target_param.data) for target_param, param in zip(target_q_net2.parameters(), q_net2.parameters()): target_param.data.copy_(tau * param.data (1.0 - tau) * target_param.data) if (epoch 1) % 10 0: print(fFQE Epoch {epoch1}, Avg Loss: {total_loss/len(dataloader):.4f}) # 我們使用q_net1作為最終的Q評(píng)估器 return q_net1 # 訓(xùn)練Q網(wǎng)絡(luò) print(開(kāi)始訓(xùn)練FQE Q網(wǎng)絡(luò)...) q_net train_fqe(teacher_buffer, state_dim[0], action_dim) torch.save(q_net.state_dict(), ./fqe_q_net.pt)5.2 計(jì)算優(yōu)勢(shì)值并過(guò)濾數(shù)據(jù)有了訓(xùn)練好的Q網(wǎng)絡(luò)我們可以為緩沖區(qū)里的每條數(shù)據(jù)計(jì)算Q值。要計(jì)算優(yōu)勢(shì)A(s,a)我們還需要V(s)。一個(gè)實(shí)用的近似是V(s) ≈ E_{a~π_teacher}[Q(s, a)]。我們可以用蒙特卡洛估計(jì)從教師策略中采樣多個(gè)動(dòng)作計(jì)算Q值的平均。def compute_advantages(buffer, q_net, teacher_model, num_samples10): 計(jì)算緩沖區(qū)中所有數(shù)據(jù)的優(yōu)勢(shì)值 states torch.FloatTensor(buffer[states]) actions torch.FloatTensor(buffer[actions]) advantages [] q_net.eval() teacher_model.eval() with torch.no_grad(): # 計(jì)算 Q(s, a) for the taken action q_values q_net(states, actions).squeeze().numpy() # 估計(jì) V(s) E[Q(s, a)] under teacher policy v_values [] for i, state in enumerate(states): state_repeated state.repeat(num_samples, 1) # 從教師策略采樣動(dòng)作 output teacher_model(state_repeated) mean, log_std output.chunk(2, dim-1) std torch.exp(log_std) dist torch.distributions.Normal(mean, std) sampled_actions dist.sample() # 計(jì)算采樣動(dòng)作的Q值并取平均 q_samples q_net(state_repeated, sampled_actions) v q_samples.mean().item() v_values.append(v) v_values np.array(v_values) # 優(yōu)勢(shì) A(s,a) Q(s,a) - V(s) adv q_values - v_values advantages adv.tolist() buffer[advantages] np.array(advantages) print(f優(yōu)勢(shì)值計(jì)算完成。范圍[{np.min(adv):.3f}, {np.max(adv):.3f}], 均值{np.mean(adv):.3f}) return buffer, adv # 計(jì)算優(yōu)勢(shì) teacher_buffer, all_advantages compute_advantages(teacher_buffer, q_net, teacher_model) # 數(shù)據(jù)過(guò)濾只保留優(yōu)勢(shì)值為正的數(shù)據(jù)教師做得好的部分 positive_mask all_advantages 0 filtered_states teacher_buffer[states][positive_mask] filtered_actions teacher_buffer[actions][positive_mask] filtered_advantages teacher_buffer[advantages][positive_mask] print(f原始數(shù)據(jù)量{len(teacher_buffer[states])}, 過(guò)濾后優(yōu)勢(shì)0數(shù)據(jù)量{len(filtered_states)}) print(f正優(yōu)勢(shì)比例{len(filtered_states)/len(teacher_buffer[states])*100:.1f}%)注意事項(xiàng)計(jì)算V(s)時(shí)采樣動(dòng)作的數(shù)量num_samples會(huì)影響估計(jì)的準(zhǔn)確性。數(shù)量太少估計(jì)方差大數(shù)量太多計(jì)算成本高。一般取10-20是一個(gè)折中的選擇。另外如果教師策略是確定性的比如直接輸出均值那么V(s)就等于Q(s, π_teacher(s))計(jì)算更簡(jiǎn)單。6. 實(shí)操步驟三學(xué)生策略訓(xùn)練與優(yōu)化現(xiàn)在我們有了“精華”數(shù)據(jù)——教師表現(xiàn)好的那些狀態(tài)-動(dòng)作對(duì)以及它們對(duì)應(yīng)的優(yōu)勢(shì)值可以看作是一種加權(quán)的重要性。接下來(lái)我們訓(xùn)練學(xué)生策略π_θ讓它學(xué)會(huì)采取具有高優(yōu)勢(shì)值的動(dòng)作。6.1 定義學(xué)生策略網(wǎng)絡(luò)與損失函數(shù)學(xué)生策略網(wǎng)絡(luò)結(jié)構(gòu)可以和教師類似但參數(shù)獨(dú)立。class StudentPolicy(nn.Module): def __init__(self, state_dim, action_dim, hidden_dim256): super().__init__() self.fc nn.Sequential( nn.Linear(state_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, hidden_dim), nn.ReLU(), ) self.mean_layer nn.Linear(hidden_dim, action_dim) self.log_std_layer nn.Linear(hidden_dim, action_dim) # 可訓(xùn)練的對(duì)數(shù)標(biāo)準(zhǔn)差參數(shù) self.log_std nn.Parameter(torch.zeros(1, action_dim)) def forward(self, state): x self.fc(state) mean self.mean_layer(x) # 使用可訓(xùn)練的參數(shù)而非網(wǎng)絡(luò)輸出更穩(wěn)定 log_std self.log_std.expand_as(mean) std torch.exp(log_std) return mean, std def train_student_policy(filtered_states, filtered_actions, filtered_advantages, teacher_model, epochs100, batch_size64, lr1e-4, kl_coef0.1): 訓(xùn)練學(xué)生策略最大化優(yōu)勢(shì)同時(shí)約束與教師策略的KL散度 states torch.FloatTensor(filtered_states) actions torch.FloatTensor(filtered_actions) advantages torch.FloatTensor(filtered_advantages).unsqueeze(1) # 保持維度 student_model StudentPolicy(state_dim[0], action_dim) optimizer optim.Adam(student_model.parameters(), lrlr) # 我們還需要教師模型來(lái)計(jì)算KL散度 teacher_model.eval() dataset TensorDataset(states, actions, advantages) dataloader DataLoader(dataset, batch_sizebatch_size, shuffleTrue) for epoch in range(epochs): total_policy_loss 0 total_kl_loss 0 for batch_states, batch_actions, batch_advantages in dataloader: # 學(xué)生策略輸出 student_mean, student_std student_model(batch_states) student_dist torch.distributions.Normal(student_mean, student_std) # 教師策略輸出用于KL計(jì)算 with torch.no_grad(): teacher_output teacher_model(batch_states) teacher_mean, teacher_log_std teacher_output.chunk(2, dim-1) teacher_std torch.exp(teacher_log_std) teacher_dist torch.distributions.Normal(teacher_mean, teacher_std) # 策略梯度損失 -E[ A * log π_θ(a|s) ] # 注意這里我們使用重參數(shù)化技巧但對(duì)于已采樣的動(dòng)作我們計(jì)算其對(duì)數(shù)概率 log_prob student_dist.log_prob(batch_actions).sum(dim-1, keepdimTrue) policy_loss - (batch_advantages * log_prob).mean() # KL散度損失 E[ KL( π_θ || π_teacher ) ] kl_div torch.distributions.kl.kl_divergence(student_dist, teacher_dist).sum(dim-1, keepdimTrue) kl_loss kl_div.mean() # 總損失 loss policy_loss kl_coef * kl_loss optimizer.zero_grad() loss.backward() torch.nn.utils.clip_grad_norm_(student_model.parameters(), max_norm0.5) # 梯度裁剪 optimizer.step() total_policy_loss policy_loss.item() total_kl_loss kl_loss.item() if (epoch 1) % 20 0: avg_pl total_policy_loss / len(dataloader) avg_kl total_kl_loss / len(dataloader) print(fEpoch {epoch1}: Policy Loss{avg_pl:.4f}, KL Loss{avg_kl:.4f}) print(學(xué)生策略訓(xùn)練完成。) return student_model print(開(kāi)始訓(xùn)練學(xué)生策略...) student_model train_student_policy(filtered_states, filtered_actions, filtered_advantages, teacher_model) torch.save(student_model.state_dict(), ./student_model_opd.pt)6.2 訓(xùn)練技巧與迭代優(yōu)化上面的訓(xùn)練循環(huán)是一個(gè)基礎(chǔ)版本。在實(shí)際操作中你可能需要加入以下技巧來(lái)提升效果優(yōu)勢(shì)歸一化在計(jì)算策略損失前對(duì)batch_advantages進(jìn)行歸一化減去均值除以標(biāo)準(zhǔn)差可以穩(wěn)定訓(xùn)練。batch_advantages (batch_advantages - batch_advantages.mean()) / (batch_advantages.std() 1e-8)自適應(yīng)KL系數(shù)固定KL系數(shù)可能難以調(diào)優(yōu)。可以設(shè)計(jì)一個(gè)自適應(yīng)機(jī)制例如當(dāng)KL散度超過(guò)目標(biāo)值時(shí)增大系數(shù)低于時(shí)減小系數(shù)。多次迭代與數(shù)據(jù)重估訓(xùn)練完一代學(xué)生策略后可以用它作為新的“教師”去收集數(shù)據(jù)或與舊數(shù)據(jù)混合然后用FQE重新評(píng)估新數(shù)據(jù)計(jì)算新的優(yōu)勢(shì)值再訓(xùn)練下一代學(xué)生。這個(gè)過(guò)程可以迭代數(shù)次讓策略不斷進(jìn)化。集成與平滑訓(xùn)練多個(gè)Q網(wǎng)絡(luò)進(jìn)行集成用其輸出的最小值或平均值作為更穩(wěn)健的優(yōu)勢(shì)估計(jì)可以減少離線評(píng)估的誤差。7. 效果評(píng)估與問(wèn)題排查訓(xùn)練完成后我們必須在獨(dú)立的環(huán)境中對(duì)學(xué)生策略進(jìn)行測(cè)試并與原始教師策略對(duì)比。7.1 性能對(duì)比測(cè)試編寫一個(gè)測(cè)試函數(shù)在環(huán)境中運(yùn)行策略若干回合統(tǒng)計(jì)成功率、平均回報(bào)等指標(biāo)。def evaluate_policy(env, model, num_episodes50, max_steps500, deterministicTrue): 評(píng)估策略性能 total_rewards [] success_count 0 model.eval() for ep in range(num_episodes): state, _ env.reset() episode_reward 0 done False steps 0 while not done and steps max_steps: with torch.no_grad(): state_tensor torch.FloatTensor(state).unsqueeze(0) mean, std model(state_tensor) if deterministic: action mean.numpy().flatten() # 測(cè)試時(shí)用確定性動(dòng)作 else: dist torch.distributions.Normal(mean, std) action dist.sample().numpy().flatten() next_state, reward, terminated, truncated, info env.step(action) done terminated or truncated episode_reward reward state next_state steps 1 # 假設(shè)環(huán)境在info中提供success標(biāo)志 if done and info.get(success, False): success_count 1 total_rewards.append(episode_reward) avg_reward np.mean(total_rewards) success_rate success_count / num_episodes * 100 print(f評(píng)估結(jié)果 ({num_episodes}回合):) print(f 平均回報(bào): {avg_reward:.2f}) print(f 成功率: {success_rate:.1f}%) return avg_reward, success_rate print(評(píng)估教師策略...) teacher_avg_reward, teacher_success evaluate_policy(env, teacher_model, num_episodes20) print(\n評(píng)估學(xué)生策略...) student_avg_reward, student_success evaluate_policy(env, student_model, num_episodes20)7.2 常見(jiàn)問(wèn)題與排查技巧在實(shí)際操作中你可能會(huì)遇到以下典型問(wèn)題問(wèn)題現(xiàn)象可能原因排查與解決思路學(xué)生策略性能毫無(wú)提升甚至下降1. 優(yōu)勢(shì)估計(jì)不準(zhǔn)FQE訓(xùn)練失敗。2. 數(shù)據(jù)過(guò)濾太激進(jìn)正樣本太少。3. KL約束太強(qiáng)學(xué)生無(wú)法偏離教師。1.檢查FQE繪制Q值預(yù)測(cè)與真實(shí)回報(bào)蒙特卡洛的散點(diǎn)圖看相關(guān)性。確保FQE訓(xùn)練充分損失收斂。2.調(diào)整過(guò)濾閾值嘗試保留優(yōu)勢(shì)值前70%的數(shù)據(jù)而不是僅大于0的數(shù)據(jù)?;蛘呤褂眉訖?quán)采樣。3.調(diào)整KL系數(shù)逐步減小kl_coef如從0.1到0.01給學(xué)生更多探索空間。訓(xùn)練不穩(wěn)定損失劇烈波動(dòng)1. 優(yōu)勢(shì)值方差過(guò)大。2. 梯度爆炸。3. 批量大小不合適。1.優(yōu)勢(shì)歸一化強(qiáng)制對(duì)每批數(shù)據(jù)的優(yōu)勢(shì)進(jìn)行歸一化。2.梯度裁剪已在上文代碼中加入檢查裁剪閾值max_norm。3.增大批量嘗試增大batch_size如256。學(xué)生策略很快收斂到單一模式失去多樣性1. 過(guò)濾后數(shù)據(jù)多樣性不足。2. 策略網(wǎng)絡(luò)表達(dá)能力不夠或探索不足。1.數(shù)據(jù)增強(qiáng)對(duì)過(guò)濾后的狀態(tài)進(jìn)行輕微擾動(dòng)如添加噪聲增加泛化性。2.探索鼓勵(lì)在損失函數(shù)中加入策略熵的獎(jiǎng)勵(lì)項(xiàng)-β * H(π_θ)鼓勵(lì)探索。離線評(píng)估的Q值普遍過(guò)于樂(lè)觀或悲觀1. 分布偏移問(wèn)題。FQE在教師數(shù)據(jù)分布上訓(xùn)練但學(xué)生策略可能訪問(wèn)到不同的狀態(tài)。1.保守Q學(xué)習(xí)在FQE目標(biāo)中引入懲罰項(xiàng)對(duì)OOD分布外動(dòng)作給予較低Q值。2.迭代更新采用迭代式OPD用學(xué)生策略收集新數(shù)據(jù)混合訓(xùn)練讓Q網(wǎng)絡(luò)適應(yīng)新分布。計(jì)算資源消耗大訓(xùn)練慢1. FQE需要訓(xùn)練額外的Q網(wǎng)絡(luò)。2. 計(jì)算優(yōu)勢(shì)時(shí)需多次采樣。1.簡(jiǎn)化網(wǎng)絡(luò)使用更小的Q網(wǎng)絡(luò)。2.減少采樣數(shù)計(jì)算V(s)時(shí)采樣數(shù)num_samples可減至5。3.批次計(jì)算對(duì)整批狀態(tài)一次性采樣多個(gè)動(dòng)作利用GPU并行計(jì)算。一個(gè)關(guān)鍵的實(shí)操心得OPD的成功非常依賴于離線評(píng)估的質(zhì)量。在正式訓(xùn)練學(xué)生策略前務(wù)必花時(shí)間驗(yàn)證你的FQE Q網(wǎng)絡(luò)是可靠的。一個(gè)簡(jiǎn)單的檢查方法是從經(jīng)驗(yàn)緩沖區(qū)中隨機(jī)選取一些完整的軌跡用訓(xùn)練好的Q網(wǎng)絡(luò)估算軌跡起點(diǎn)狀態(tài)的Q值并與該軌跡的實(shí)際折扣回報(bào)Monte Carlo Return進(jìn)行比較。如果兩者趨勢(shì)一致不一定完全相等說(shuō)明Q網(wǎng)絡(luò)學(xué)習(xí)到了合理的價(jià)值函數(shù)。如果相差甚遠(yuǎn)你需要回頭檢查FQE的訓(xùn)練過(guò)程學(xué)習(xí)率、網(wǎng)絡(luò)結(jié)構(gòu)、目標(biāo)網(wǎng)絡(luò)更新頻率等。8. 進(jìn)階思考與擴(kuò)展方向當(dāng)你跑通了基礎(chǔ)的OPD流程后可以思考以下幾個(gè)方向來(lái)進(jìn)一步提升性能或適應(yīng)更復(fù)雜的場(chǎng)景混合策略教師教師不一定是一個(gè)單一策略。你可以收集來(lái)自多個(gè)不同策略甚至包括一些隨機(jī)策略的數(shù)據(jù)混合成一個(gè)大的經(jīng)驗(yàn)池。OPD的優(yōu)勢(shì)計(jì)算機(jī)制會(huì)自動(dòng)從中挑出“好”的行為學(xué)生可以博采眾長(zhǎng)。結(jié)合在線微調(diào)OPD可以作為一個(gè)強(qiáng)大的預(yù)訓(xùn)練或初始化方法。先用OPD從歷史數(shù)據(jù)中學(xué)到一個(gè)不錯(cuò)的策略然后再放到真實(shí)環(huán)境中進(jìn)行在線強(qiáng)化學(xué)習(xí)如PPO微調(diào)這樣可以大大減少在線交互的樣本消耗并提升訓(xùn)練安全性。處理高維視覺(jué)輸入如果狀態(tài)是圖像上述流程中的Q網(wǎng)絡(luò)和策略網(wǎng)絡(luò)都需要引入CNN編碼器。需要確保圖像編碼器在離線評(píng)估和策略訓(xùn)練中共享或分別訓(xùn)練得當(dāng)避免表征不一致。應(yīng)用于多任務(wù)學(xué)習(xí)OPD的思想可以擴(kuò)展到多任務(wù)。收集不同任務(wù)上的教師數(shù)據(jù)為每個(gè)任務(wù)分別計(jì)算優(yōu)勢(shì)。學(xué)生策略網(wǎng)絡(luò)可以共享主干但通過(guò)任務(wù)標(biāo)識(shí)來(lái)區(qū)分學(xué)習(xí)在不同任務(wù)下選擇高優(yōu)勢(shì)的動(dòng)作。讓AI從“后悔”中學(xué)習(xí)本質(zhì)上是將人類反思和歸納的能力賦予了算法。OPD教師模型訓(xùn)練提供了一條切實(shí)可行的路徑讓我們能夠利用那些不完美、但富含信息的數(shù)據(jù)培育出更“聰明”的智能體。這個(gè)過(guò)程里最耗時(shí)的往往不是寫代碼而是調(diào)參、診斷和迭代。耐心地分析優(yōu)勢(shì)值的分布、檢查Q網(wǎng)絡(luò)的預(yù)測(cè)質(zhì)量、觀察學(xué)生策略的行為變化這些細(xì)致的工作才是最終成功的關(guān)鍵。我自己的體會(huì)是當(dāng)看到學(xué)生策略第一次做出一個(gè)教師從未展示過(guò)的、更優(yōu)雅的解決方案時(shí)那種感覺(jué)就像看到學(xué)生真正理解了問(wèn)題的本質(zhì)而不是機(jī)械地模仿這大概就是強(qiáng)化學(xué)習(xí)讓人著迷的地方吧。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
日韩综合成人| 婷婷色婷婷亚洲成人| 九九热视频精品| 97超级碰人人| 综合网啪| 色135综合网| 六月亚洲| 丁香花五月天社区| 伊人久久婷婷| 啪啪激情网站| 99热综合色图| 伊人激情AV一区二区三区| 国庆精品久久| 久久99草五月婷婷| 色综合九九色综合88| 99久在线视频| 国产AV一区二区三区日韩| 少妇婷婷五月天| 久久caop| 91操熟女| 久草xx性爱视频| 日韩无码乱轮| 亚洲五月天激情| 丁香五月第四色88| 超碰超碰在线| 色婷婷久久9.com| 五月天啪啪啪| 这里只有精品热| 日B日潘金莲BB| 激情五月天综合| 六月丁香av| 九九無妻| 婷婷综合精品视频97| 激情九月天天天天婷婷| 国产乱妇乱子伦| 久久天堂色| 婷婷激情综合网| 狠狠干总合| 丁香五月成人自拍| 激情五月天婷婷| 在线可以看的av网址| 五月丁香自拍| 亚洲AV成人在线观看| 国产三级片91| 这里只有精彩亚洲视频推荐| 九九这里只有精品在线视频| www91精品| 99视频精品在线| 99久久大片| WWW.婷婷五月天.COM| 亚洲视频在线观看| 在线成人网址| 五月天精品视频| 久久丁香五月综合六月激情红杏视频 | 一本色道久久综合狠狠躁小说| 久久久久久久久久8888| 亚洲AV永久无码影院黑人 | www.色婷婷| 丁香婷婷五月天校园春色| www.久操| 思思久久99热只有频精品66| 亚洲天堂热| 人妻操操色| 久久久大香蕉| 97超级碰碰碰| 午夜激情四射影院| 青青草青青草五月天| 激情五月丁香婷婷夜夜操| 色五月丁香com| 婷婷伊人綜合中文字幕| 五月天精品| www.狠狠干| 激情六月丁香| 91激情五月开心| 九九色婷婷五月天| 影音先锋女人AA鲁色资源| 99看片| 五月六月丁香婷婷在线观看| a色色色色色| 99天堂网最新| 免费看片在线观看| 九月色婷婷综合亚洲| 成人AV在线电影| 五月天综合在线| 夜夜骑日日夜夜| 久久激情五月| 9久国产精品| 嫩草视频。| 久99| 99色综合| 国产特级毛片AAAAAAA高清| 狠狠爱五月婷婷| 这里只有精品69| 深爱 五月天| 成人版视频在线观看| 丁香五月亚洲综合| 久草婷| 丁香五月中文字幕久色| 婷婷五月丁香基| 99久久婷婷国产综合| 久久人五月| www.婷婷久久五月天| 99∨VTV| 四虎成人精品永久免费AV九九| 激情五月婷婷网| 欧洲激情五月天| 五月丁香怕啪啪| 综合网色| 安息电影在线观看完整版| 99操逼视频| 国产免费一区二区三区三州老师F1F1.CC| 日本97在线观看| 五月婷婷久久大片| 丁香五月婷婷综合激情啪啪啪| 国产真实乱了老女人视频| 天天爽夜夜操| 无码成人AAAAA毛片AI换脸| 久久免费精彩视频| 白人荫道BBWBBB大荫道| 五月丁香六月激情| 91亚洲视频| 国模九区| 色www.con| 综合五月丁香六月婷婷| 操97| 99在线观看这里都是精品| 深情六月婷婷综合久久| 久久探花91swag| 任你躁XXXXX麻豆精品| 精品夜夜澡人妻无码AV| 国产精女同一区二区三区久| 丁香久久九九99| 嫩草视频| www.99热在线观看| 亚洲五月天第一综合干| www.五月天婷婷姐姐| 五月丁香六月婷婷综合网| 五月久久亚洲| 日本欧美成人片AAAA| 狠狠色综合网| 五月亭亭开心网| 99无码视频| 国产精品久久久久久久久久久久| 美女爆乳18禁www久久久久久| 天天射色五月天| 十区AV| 免费观看亚洲AV片| 六月丁香婷婷天堂| av在线免费网站| 五月丁香成人| 国产看真人毛片爱做A片| 大香蕉综合视频在线| 超碰2021| 婷婷天堂综合| 五月婷婷干| 丁香六月激情网C0W| jiZZdr| 九九RE视频在线精品| 这里只有视频精品| 九九色热视频| 五月天丁香网| 7777国产盗摄农村女人| 97极品在线| 五月丁香网视频| 综合五月亭亭9| 五月天另类小说久久小说网| 五月婷婷丁香综合| 五月久久丁香| 人妻AV在线| 五月色丁香成人| 五月丁香基地| 99热成人| www.久久9| 婷婷亚洲天堂| 久久这里有精品视频| 狼人狠狠操| 丁香婷婷大香蕉| 4438全国最大视频成人网站在线观看| 丁香色五月直播| 激情五月五月五月婷婷| 在线中文av| 久久人妻少妇嫩草AV| 色婷亚洲五月丁香| 人人爽人人爽人人爽人人爽| 91精品久久久久久久| 色色99| 夜夜AVV| 激情五月天久久丁香| 婷婷五月精品中文字幕| 来吧亚洲综合网| 亚洲AV色婷婷人禽五月天| xx久久| 欧美成人精品A片免费一区99| 月丁香久久久| 婷婷五月丁香激情色情| 色99在线| 精品久热69| VA国产在线综合网站| 五月婷婷深深爱| 国产毛片精品一区二区色欲黄A片| 超级久久久| 亚洲视99| AV网站免费在线| 色综色网| 欧洲激情五月天| 色婷婷中文在线| 色综久久久| 天天婷婷综合| 色情五月丁香| 五月丁香花激情综合网| 婷婷五月无码| 久久九九激情五月天 | 日本三级大片| 99热亚洲精品| 99久久五月天| 五月激情六月综合| 日韩一级| 久久人妻系列| 国产婷婷色综合AV蜜臀AV| 超碰成人av| www.俺去也com| 91丨九色丨东北熟女| 香蕉婷婷色五月| 丁香婷婷六月在线资源观看| 狠色色狠网| 九九热精品视频在线观看| 综合色吧| 噜啊噜在线| 久久免费高| 丁香五月综合激情久久潮喷| 婷婷五月综合网| 91九色视频在线观看| 久热A| 少妇人妻人伦A片| 超碰九九热| 婷婷五月天久久| 久久大香蕉丁香| 五月丁香婷婷无码A∨| 夜夜大香蕉婷婷丁香| 夜夜AVV| 人人看人人草人人摸| 日本久久99| av九九| 超碰色色综合| 日韩不卡DvD| 五月开心久久| 9热精品| 激情综合网五月天| 色五月大香蕉婷婷| 伊人五月天| 激情五月丁香色婷婷| 日韩人妻在线观看| 91熟妇大香蕉| 五月开心色| 五月激情婷婷在线| 国产Va视频| 伊人婷婷大香蕉| 天天综合网~91| 禁欲电影完整版在线播放| 欧美综合五月丁香六月婷| 九九热视频思思| 五月丁香婷婷综合在线| 丁香五月天激情| 亚洲操B视频| 色五月天婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷 | 六月丁香网| 五月丁香性爱| 中文字幕视频在线播放| 国产免费一区二区三州老师F1F1| 五月丁香六月婷婷激情视频在线观看免费| 丁香五月伊人| 超碰在线观看三级片| 丁香五月婷婷网| 蜜臀av粉嫩av懂色av| 五月激情久久综合网| 婷婷五月天综合蜜桃| 日韩成人电影AV| 婷婷伊人75| 欧美色偷偷大香| 亚洲无码影音| 久久99草五月婷婷| 99婷婷色| 久久狠婷婷| 久久久色情| 久久综合最新网址| 久久99jiu9| 91高潮喷水久久久久久久久| 99热久只有| 五月激情婷婷在线| 天天舔天天插天天干| 婷婷伊人综合| 日本久热| 亚洲狠狠狠色婷婷综合激情久久久| 中文字幕婷婷9月天| 99热中文字幕久久| 99在线播放视频| 99热在线观看| 丁香六月五月天| 色久女| 超碰91在线| 成人狠狠成人狠狠成人狠狠成人狠狠| 亚洲人人操| 人妻人人操| 久久这里只有国产| 国产精品美女久久久久AV超清 | 激情影院内射| www.婷婷五月天| 婷婷五月大香蕉| 天天婷婷综合| a69在线视频| www.狠狠操.com| 婷婷基地五月色| 人妻精品久久久久久| 婷婷丁香成人五月天| www,天天干| 天堂中文国产| 婷婷六月色| 欧美大片| www.激情com| 超碰在线国产9| www久久99| 无码一区二区三区四区五区| 丁香激激情网| 性高潮久久久久久-九九九九九九九九九九热-成人AV | 一操久久| 开心激情色婷婷五月天| 日韩九九| 夜夜操狠狠操| 五月天丁香花婷婷| 色五月婷婷中文字幕在线观看| 六月激情婷婷色| 5月丁香六月情| 五月丁香六月婷婷色日| 天天综合色| 久久艹 五月天| 精品国产a| 丁香激情网| 婷婷激情综合无月| 五月天色区| 99热这里精品| 五月婷婷之综合激情在线| 激情五月色综合网| 99精彩视频在线观看| 色色A| 色婷网| 中文字幕日本最新乱码视频 | 91操熟女| 色五月色情| 久久久久久欧美精品se一二三四| 综合一本道| 色情综合网| 丁香婷婷天堂| 另类小说五月天| 综合久久五月| 天天天天干| 久久久噜噜噜操操操| 色色丁香五月天| 婷婷五月色丁香在线看| www夜夜操| 丁香五月婷婷国产在线| 99热这里只有精品亚洲| WWW99热| 五月丁久久| 亚洲第一黄网| 丁香五月六月综合激情| 色狠狠色综合久久久绯色aⅴ影视| 久热丁香| 欧美人人草| 99色天堂| 免费黄色片子| 色婷婷色99国产综合精品| 开心五月网| 成人性爱无码| 亚洲aV写真天天综合网久久| 热久久精品视频网站| 99 色色吧| 亚洲AV网站| 4399在线观看免费毛片| 香蕉伊人综合| 9久久网| 婷婷天天五月天| 色色色色色色综合网| 伊人五月天| 久久天天| www.五月天| 婷婷综合激情| 亚洲综合色婷婷| 色婷婷综合网站| 碰超99| 伊人婷婷色| 一起草av| 久久精品99久久久久久| 久久99免费视频| 大地9中文在线观看免费高清| 五月亭亭开心网| 久久思思99| 激情婷婷五月黑人| AA片在线观看视频在线播放| 人人爱天天摸摸天天爱| 亚洲妇女熟BBW| 日日天天天| 伊人干综合| 五月婷婷婷综合网| 久久久久亚洲AV成人无码电影| 精品国产a| 五月婷婷狠狠干| 日本人妻伦在线中文字幕| 色综合色综合婷婷热| 婷婷五月天电影网| 婷婷五月激情六月丁香| 国产成人精品一区二区三区视频| 色婷婷丁香五月观看| 婷婷色中文字幕| 九九热亚洲中文在线观看免费| 殴美日比视频| 99这里只有精品视频免费| 狠狠操狠狠爱| 色五月久久成人婷婷| 91久操| 2050人人操免费工开爱| 亚洲V国产V欧美V久久久久久| 亚洲五月天综合色| 国产精品18久久久| 久狠日av| 99精品高潮| 午夜丁香综合婷婷| 日韩啪啪视频| 97精品人人A片免费看| 五月婷婷久久开心网| 午夜天堂一区人妻| 播五月丁香六月| www.色情五月天.com| 欧美色五月| 九九亚洲综合| 婷婷色综合| 99只有这里是精品| www.激情com| 五月丁香精品| 丁香婷婷激情五月| AV大片在线观看| 激情网婷婷五月天| 久久这里只有精彩| 五月开心播播网| 丁香六月激情网C0W| 麻豆精品| 婷婷五月天av| 激情深爱五月| 久久ww| 粉嫩AV久久一区二区三区| 久久网思思| 99久久精彩视频| 久久九九99| 丁香五月综合在线| 97碰碰在线观看视频| 亚洲精品成人| 综合色综合| 国产九九一区二区三区| 五月激情视频| 久久婷婷五月天蜜桃| 午夜天堂啪啪| 啪啪啪丁香五月| 棕合影院色色| 婷婷丁香人妻久久在线观看| 另类综合激情| 伊人九九68| 亚洲无码成人| 亚洲噜色| 五月天啪啪| 九色成人AV在线| 99视频在线播放大全| 天天噜天天爱| 97色在线观看视频| 国产欧美精品AAAAAA片| 免费观看2018www黄色操逼网站| 久操婷婷| 丁香六月婷婷综合缴| 婷婷综合在线| 中美月韩免费A片| 久久人妻系列| 综合五月丁香六月婷婷| 免费视频WWW在线观看网站| 蜘蛛女侠2003满天星免费观看| 人人草公开操| 啊V视频在线观看| 俺五月| 国产老熟妇亲子乱对白| 182无码| 激情综合网五月激情| av中文网站| 深爱婷婷基地| 久9热视频在线观看| 久久精品一区二区三区四区| 另类天堂| www.久久爱.com| 五月天婷婷成人资源站| 天天综合亚洲综合网天天αⅴ| 久久五月天激情婷婷| 免费看欧美成人A片无码| 91人操人人人操人| 激情丁香图片| 婷婷娱乐丁香综合网| 久久久久9999| 黄色精品五月婷婷| 激情五月婷婷视频一区二区三区| 婷婷五月天亚洲综合网| 538在线精品| 欧美日韩91| 日韩啊啊啊| 毛片九九九九九九| 九九婷婷五月天| 人人摸人人干| 久久九九热视频| 婷婷五月综合啪| 五月婷婷六月丁香在线视频| 婷婷综合五月色播| 九九热视频免费观看| 五月婷视频久久| 欧美在线看| 久热丁香| 五月天狠狠色| 久久精品91视频| se色综合网| 亲子乱AV-区二区三区| 亚洲欧洲另类图片| 亚洲人妻av伦理| 激情爱爱网站超大免费| 影音先锋91| 狠狠九九婷婷韩| 婷婷五月天开心网| 欧美激情久| 丁香色五月天| 人人插9| 99精品视频免费观看| av五月丁香婷婷网| 中文av网站| 久久婷婷资源| 99视频网址| 铁牛TV人妻| 婷婷激情五月| 色五月综合在线| 亚洲网视屏| 色丁香久久| 国产无套精品一区二区| 97碰碰在线观看视频| 五月丁香六月婷婷姐| 久机视频这只有精品| 六月丁香五月天| 日韩欧美骚货| 精品欧美一区二区三区久久久| 五月亭亭六月激情| 久久激情四射| 精品人妻久久久久久| 探花搜索结果 - 黄上黄| 久久婷婷六月| 少妇丁香婷婷| 激情都市五月天| 五月 婷婷 成人| 婷婷婷婷色| 激情五月天开心| 在线观看的av| 成人片黄网站色大片免费毛片| 成人亚洲精品久久久久| 综合精品啪啪| 色婷婷丁香五月| 翔田千里aV中文字幕| 99惹精品视频| 婷婷色五天| 日本三级中国三级99人妇网站| 久久亚洲婷婷| 91久久人人操| 中文无码婷婷| 五月丁香五月天现场视频| 99亚州综合精品成人网| 一级黄色影片| 99热国产在线| 91热在线| 99热这里只有精品13| 开心激情播播五月天| 欧美色99| 久草婷婷网 | 久久人妻系列| 欧美色色色色色色色色色色| 五月天色五月| 婷婷色在线播放| 五月丁了香蕉综合| 91成人性爱视频| 婷婷色五月天在线观看| 99视频日韩| 欧美一级色| 男女久久婷婷五月天| 91日视频| 婷婷婷狠狠| 香蕉婷婷色五月| 久久久月丁香| 中文字幕,综合,91| 丁香五月AV| 色婷婷在线影院| 狠狠操.com| 可以直接看的av| 狠狠精品干练久久久无码中文字幕| 超级碰 久久9| 一本大道熟女人妻中文字幕在线| 日韩成人电影av| 激情99。| 99超级碰碰| 婷婷五月丁香综合亚洲 | 五月社区婷婷激情| 亚洲在线综合| 成人国产网| 99热精品在线观看| www.com五月天| 色五月丁香六月资源站| 亚洲四色五月| 亚洲亚洲人成综合网络| 97碰在线| 97丁香五月| 丁香五月婷婷婷婷欧美综合| 五月婷婷激情日本| 婷婷不干网| 国产 亚洲 在线| 久久激情五月天| 另类的婷婷| www.99热精品| 国产AV熟妇人震精品一品二区| 97自拍视频网| 色播丁香婷婷五月激情| 丁香激情五月| 天天色天天搡| 五月丁香777| 五月丁香美女视频| 婷婷网影院| 99在线视频观看| 五月激情综合网| 丁香婷婷激情| 五月天婷婷丁香社区| 26uuu四色| www.minyis.com【JT】币址百万U预算可预付QQ2101460746 | 91日视频| 蜜乳人妻一区二区三区| 天堂草在线看www| 岛国在线观看91| 欧洲亚洲免费视频9| 五月天大香蕉| 色99在线视频| 色婷婷综合久久久久| 亚洲婷婷丁香五月| 亚洲欧洲中文日韩久久AV乱码| 久久精品国产AV一区二区三区 | 色色色.COM| 久久在线视频免费观看| 99热欧美在线观看| 天天干天天色综合| 婷婷久久大香蕉| 26uuu欧美| 99九九中文字幕视频| 五月伊人婷婷| 亚洲国产网站| 天天操天天操天天操天天操天天操天天操天天操天天操天天操 | 色播五月丁香| 亚洲五月六月婷婷| 五月丁香婷庭在线| 久久久宗合视频88| 五月天色婷婷伊人网| 五月丁香综合精品欧美| www久热com| 九月激情婷婷丁香| 国产精品色一哟哟| 精品9久| 我要射综合| 激情婷婷在线| www夜夜操| 黄色一级影片| 99人妻碰碰碰久久久久禁片| 色很很96| 激情第四色| site:esunnet.com| 欧美色图片88| 性天天中文网| 五月婷婷六月丁香首页| WWW,五月| 综合亚洲色色| 熟女人妻一区二区三区免费看| 丁香五月婷婷激情123| 激情性爱五月天网页| 丁香五月天啪啪激情综和网| 五月婷婷 自拍| 婷婷天天日婷婷| 1024手机在线观看看片_日韩精品| 中文字幕黄色电影网址| 婷婷综合色网| 成人精品人妻| 91色九| 色五月天堂| 天天操无码| av大香蕉| 日本不卡高字幕在线2019| 成人亚洲精品久久久久| 丁香五月欧美婷婷综合| 久在线综合69| 久久99看免费| 97超碰综合| 日本综合久| 五月婷婷久久综合| 免費亭亭成人| 99re这里只有精品首页| 日婷婷久久开心| 日日干日日| 9色在线| 思思热在线| 国产av一区二区三区| 狠狠色色色| 色五月自偷自拍婷婷婷婷| 91色吧网| 五月天激情小说| 久久多色| 激婷网| 久久99激情| 九九热免费观看视频| 久久五月天丁香花| 狠狠干夜夜干| 中文av网| 一本久久亚洲五月婷婷| 国产精品丝| 伊人久久婷婷| 国产成人AV在线播放| 天堂爱爱| 亚洲av无码影院| 99成人在线观看| 五月草影视| 五月丁香美女视频| 精品操逼一区二区| 最近免费中文字幕大全高清大全1| 人人干人人操人人摸| 五月丁香日本在线视频观看| 婷婷国产五月天17c| www.99色| 深情五月天| 婷婷天天插天天爱| 婷婷色啪| 熟女国产在线一区二区三区四区| 26uuu欧美| 九热视频在线精品15| 这里只有精品在线播放| 91久久婷婷| 亚州第一A片| 成人综合网站| 97干在线视频| 五月婷婷六月丁香玖玖玫瑰91| 九九热精品| 超碰亚洲天堂| 亚洲激情综合| 99在线精品免费视频| 99激| 色色网站免费在线视频| 婷婷五月色色| 91在线观看www| 青草视频在线播放| 亚洲五月婷婷| 丁香五月成人网| 日韩精品色| 婷色成人| 九九人妻福利| 六月色色| 日韩色五月| 影音先锋91资源站| 色九月综合| 丁香五月婷婷欧美性爱| 天天干天天插| 丁香婷婷大香蕉| 中文字幕在线资源| 99精品久久久| 婷婷色五月开心五月| 26uuu| 丁香五月五婷| 99精品22| 嫩草AV久久伊人妇女超级a| 初夜av| 综合婷婷六月| 婷婷五月深深的爱| 激情综合五月激情| 天天 青草 制服丝袜 在线| 97人人操在线| 婷婷久久综合久| 玖玖爱综合网| 成人av在线电影| 任我鲁这里有精品视频| www.99热在线观看| AV在线收看| 影音先锋偷偷色男人站| 欧美伊人9| 丁香午月AV中文字幕| 99热这里只有精品3| 综合久久97| 成人操呦av| 天天做综合网色综合| 激情五月深爱五月观看| 97人人超| 99精品色色| 婷婷丁香77777| 丁香五月婷婷丫| 综合激情五月综合激情五月激情1| 狠狠狠婷婷五月综合| 色色自拍视频网站| 色婷婷五月丁香在线观看| 亚洲综合激| 婷婷狠狠五月综合| 国产精品婷婷午夜在线观看| 久久a热| 激情五月天网站| 激情久久伊人| 九九热这里有精品23| 久久99热这里| 99在线er热| 99性爱无码| 六月丁香影院| 色色五月天婷婷丁香| 亚洲不卡| 97天堂| 成人综合网站| 婷婷丁香黄色| 色情五月婷| 六月婷婷之青青草| 色色色欧美色色| 精品久久这里热66| 日韩无码专区| 爽tv | 欧在线一区| 99热在线中文字幕| 五月天婷婷午夜丁香| 色五月综合网| 国产精品国产| 久久伊人五月天| 人人爽网| 99热1| 激情五月婷婷免费视频| 婷婷五月六月丁香综合| 五月天激情综合| 亚洲激情网| 九九综合九色欧美狠狠| 97精品欧美91久久久久久久| 99在线爽| 久青草影院| 激情五月天色色网| 99re免费视频| 日韩成人中文字幕| 成人丁香婷婷五月天| 99热日韩| 日韩丁香涩| 亚洲不卡| 先锋av性爱成人电影| 99操无码视频观看| 中文字幕免费高清电视剧| 久99久99精品免| 五月丁香网av| 九九干视频| 大陆极品少妇内射AAAAAA| 日本操片| 久久五月天黄色五月天色网址| 六月婷婷综合| 中文字幕日本最新乱码视频| 丁香久久综合| 天天拍夜夜爽日日| www超碰| 亚洲综合色成丁香五月色| 中文字幕在线资源| 涩涩涩五月天| 97在线视频观看| 亚洲视频操| 色五月婷婷啪啪五月| 丁香五月电影| 99伊人婷婷在线| 婷婷五月丁香婷婷| 九九香蕉网| 91精品啪| 精品一区久热| 丁香五月天欧洲在线| 五月天亚洲最大成人| 激情四射网| 性爱五月婷婷| 婷婷色日本| 日本久久天堂| 国产精品视频免费看| 韩国三级五月天婷婷。| 五月婷婷影院| 成人视屏在线观看| 亚洲精品大片| 97人人妻人人艹| 久久丁香| 色欲天天综合| 国产超碰人人| 日日夜夜综合| 婷婷五月天天| 好吊操这里只有精品| 亚洲中文字幕AV| 五月天伊人久久| 丁香网五月天激情| 欧美韩国日本| 激情综合网络插| 色色丁香婷婷| 婷婷九月综合| 99热免费精品| 欧美色碰| 婷婷成人五月天成人文学| 91欧美日韩| 99热国品免费| 色婷婷97| 伊人激情综合网| 五月丁香六月在线| 欧美婷婷九月| 色播五月| 精品操逼一区二区| 99在线亚洲| 婷婷久久色五月婷婷久久久| 亚洲女婷婷五月基地综合久久久| 99热精品无码| 天天狠狠婷婷在线| 99re热在线视频| 91黄址| 九九色图| 99综合在线| 大香蕉婷婷| 亚洲精品成人| 五月丁香婷婷综合网| 色婷| 色播五月网| 丁香五月婷婷无码AV| 婷婷丁香五月亚洲17cao| 亚洲激情综合| 久色视频| 丁香婷婷六月婷婷六月婷婷六月婷婷| 97视频91| 狠狠色丁香久久久婷| WWW.17C亚洲精品| 性色av大香综合| 中文字幕AV在线| 超碰人人操在线| 丁香婷婷网| 一级片sese片.COM| 丁香五月欧美| 五月天快乐开心激情网| 少妇性BBB搡BBB爽爽爽视頻| 另类小说五月天综合| 99热这里| 激情婷婷五月天在线观看| 丁香五月影| 六月婷婷在线视频| WWW·色色色·COM| 99久久性爱| 婷婷综合色网| 成片免费播放| 激情婷婷综合| 五月婷婷 婷婷五月 一区二区 久久久| 337午夜福利| 97在线日本| 色五月五月婷婷| 天天做天天视天天谢| 少妇人妻丰满做爰XXX| 天天爽日日爽夜夜爽| 人操人| 久久草中文日韩欧美| 日本人妻A片成人免费看片| 97综合在线| 丁香五月狠狠综合欧美| 婷色综合| 99在线视频精品| 青青草原中文字幕| 日比视频91| 婷婷色五月开心五月| 综合久久婷婷五月丁香| 九九综合影音先锋| 26uuu最新地址| 五月婷婷六月丁香免费| 日韩人妻白浆视频系列| 色噜噜狠噜噜视频| 这里只有精品视频国产| 久热精品9999| 这里只有精品免费视频| 亚洲狠狠狠色婷婷综合激情久久久| 啪啪九九色| 99综合久久| 亚洲综合五月天综合| www.色情五月天.com| 九九这里都是精品| 色欲天天综合| 五月婷婷av| 丁香九月激情在线视频| 九九热免费视频| 五月天婷五月天综合网小说首页-五月天激激婷婷大综合,婷婷亚洲综合五月天小说 | www.久热| 婷婷伊人綜合中文字幕| 亚洲人人操| 激情六月色| 丁香五月图片| 久久日韩婷婷五月| 欧美性生交XXXXX无码小说| 婷婷淫淫狠狠六月| 综合xx网| AAA久久久| 五月四色激情| 99这里有精品视频| 五月婷婷,六月丁香| 国语对白性爱视频播放| 超碰成人av| 色综合久久之分久久| 色综合婷婷| aaa日韩| 日本一级黄色电影| 97碰碰人人视频| 六月婷婷综合| 五月婷婷视频| 开心五月婷婷在线视频免费观看| 超碰chaompinm| 超碰无码老师| 99热色精品| 91久久精品无码一区二区三区| 久久九九激情五月天 | 天天骑天天操| 在线观看亚洲视频影院| 丁香五月色欲| 五月婷免费视频久久久| 久久女婷| 99热综合在线| 91av色色乱视频| 69精品人人人人人人人人人| 4399亚洲视频| 激情网婷婷五月天| 色丁香五月天婷婷| 丁香五月天在线直播观看| 九九热精品| 久久玖玖综合| 天天久久婷婷| 婷婷丁香色五月天| 五月婷婷综合在线| 六月色播| 婷婷六月综合基地| 天天色天天色天天色天天色天天色| 国产精品久久99| 欧美视频五区| www.97碰碰com| 日本少妇AA一级特黄大片| 最近免费中文字幕大全高清大全1 色狠狠色噜噜AV天堂五区 | 色99视频| 欧美日韩成人高清在线| 国产综合A片| 九色激情| 丁香五月狠狠在线观看| 午夜少妇在线观看视频| 狠狠色成人影片| 色综合婷婷| 久久大香蕉同僚| 狠狠干在线| 超碰资源在线| 看片视频在线免费日产在线看| 天堂AV在线看| 97色色色色色色色色色色色色色| 人妻性操逼中文字幕 国产| 中文字幕视频在线播放| 97碰碰碰| 伊人久热91| 伊人色五月| 狠狠爱婷婷五月天| 久久久亚洲成人无码A片| 五月婷婷综合天天操| 婷婷五月天 丁香五月天 裸体| 丁香六月婷婷色XXXX| 久777| 日本性视频| 任你搞在线观看视频| 婷婷丁香综合| 精品九九久久| 久久日韩婷婷五月| 亚洲成人无码免费| 9九九久久精品无码专区| 久草婷妨| 碰久久精品w| 级人人91| 亚洲人成网站999久久久综合| 亚洲成人AV电影网| 色婷婷色丁香色欲av| 久久人操-久草婷婷-成人AV| 亚州激情九月| 人妻激情视频| 色婷婷综合亚洲| 五月久久五月激情| 色五月丁香激情| 在线A色| 五月天色区| 久久九九爽| 久久久久er热| 色135综合网| 熟女国产在线一区二区三区四区| 欧美在线视频9| 婷婷在线精品| 色综合久久88色综合天天人守婷| 伊人丁香花综合影院| 99久在线精品99re8热| 成人短视频在线| 久热九九| 婷婷五月综合色小姐小说| 丁香五月婷婷激情蜜桃| 91超级碰| 天天干天天色综合| 97色婷婷| 91人妻人人操| 日本丁香久在线| 色5月婷婷| 欧洲亚洲欧洲99久久| 另类五月激情| 婷婷五月天奸女| 欧美日本日韩| 99久高清视频| 久久久激情视频| www,色中色| 夜夜爽天操| 91人操人人人操人| www.五月天| 日本免费91| 日韩色色小视频| 人人综合五月人人婷婷| 影音先锋91| 深爱五月天| 超碰在线观看caop| 亚洲色色色色色| 婷婷五亚洲| 成人短视频在线| 国内自拍1区| 影音先锋按摩| 五月丁香婷庭在线| 久久五月综合| 99视频日韩| 久久婷婷精品| 99er热精品视频| 99自拍视频| 91丨九色丨国产在线| 色五月综合婷婷久久综合婷婷久久综合婷婷久久综合婷婷久久 | 五月天婷婷在线观看| 99热久| 亚洲人妻av伦理| 伊人五月婷婷国产视频| 久久久妻人人人| 婷婷综合视频| 久久婷婷六月综合综合| 影音先锋一区二区资源站| 五月婷婷性爱| 这里只有国产精品在线| 乱色色色| 亚洲免费99| 丁香蜜臀黄色婷婷五月天| 丰满女老板BD高清A片| 五月天伊人久久| 丁香激情合作五月| 色婷婷69| 日本www免费九九| 色情·com| 日本色色网站| 精品久久久91久久影视网| 中文字幕成人| 五月婷婷啪啪| 人妻熟女一区二区AV| 91操人| 天天综合 99久久婷婷| 婷婷五月天国产传媒| 色综合爽| 亚洲永久免费| 丁香五月WWW| 婷婷五月色影视先锋| 色五月婷婷五月| 五月婷婷丁香大陆免费| 99热只有精| 性色做爰片在线观看WW| 九九这里只有精品在线视频| 99亚洲视频| 婷婷五月天成人视频| 少妇久久诱惑视频| 九九热这里| 超碰成人电影| 久久玖玖综合| 狠狠爱婷婷五月天| 国产毛片精品一区二区色欲黄A片| 色婷婷AV在线| 久久久久这里只有精品| 综合福利网| 99这里只有精品在线| 在线99热| 久久九色| 激情色色| 亚洲啪啪啪啪| 猫咪伊人久久| 五月丁香激情综合啪啪| 丁香激情五月天| 2015WWW永久免费观看播放| SESE无码AV| 91操女| 天天做天天爱天天要| 久久se 综合网| www.色窝| 色爽干| 日本99热| 91一起操| 9999久久久久| 26uuu精品国产| 日韩影院三级| 久久狼人天堂| 超碰亚洲天堂| 丁香九月综合| 色婷婷丁香| 亚洲成人网站在线观看| 人妻狠狠操| 99碰碰| 久久永久视频| 久久视频婷婷视频| 丁香九九九九| 超碰在线人人| 综合网啪啪| 激情综合无码| 色情综合| 婷婷激情综合网| 伊人91| 四色99久久| wuyuedingxiang99| 福利视频在线播放| www.99热国产| 成人精品视频99在线观看免费| 夜夜天天天天天干天天爽| 超碰cap| 99re这里只有精品在线观看| 久久久精品免费啪啪国| 天天爽天天爽视频| 综合久久高清| 91日视频| 激情五月天久久丁香| 欧美大肥婆大肥BBBBB| 丁香五月激情澎湃一区| 日韩精品一区二区三区,四区,五区视频| 久久99这里只有精品视频| 色 噜噜 九月 婷婷| 噜噜网免费视频| 99人妻碰碰碰久久久久视| 丁香九月激情| 日本色婷婷综合| 丁香六月婷婷操逼网| 色色COm| 九九精品热播| 丁香五月性| 丁香婷五月| 欧美丁香五月| 99视频内射三四| 六月色日韩| 婷婷酒色网| 五月激情综合网| 久久视频这里都是精品| 久草丁香婷婷1024| 大香蕉久久婷婷精品综合| 激情婷婷五月女| 综合久久激情久久| 中文字幕 中文字幕明步| 91 九色 熟女| 91九色白丝| 丁香婷婷色六月| 五月婷婷偷拍| 中文字幕无码人妻少妇免费视频| 色 色 色综合com| 99国产er热视频| 影音先锋五月婷婷| 亚洲中文字幕网| 操一操|