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。

基于PyTorch的CNN手寫(xiě)數(shù)字識(shí)別實(shí)戰(zhàn):從MNIST數(shù)據(jù)到99%準(zhǔn)確率

基于PyTorch的CNN手寫(xiě)數(shù)字識(shí)別實(shí)戰(zhàn):從MNIST數(shù)據(jù)到99%準(zhǔn)確率 簡(jiǎn)介卷積神經(jīng)網(wǎng)絡(luò)CNN是深度學(xué)習(xí)中處理圖像分類任務(wù)的核心技術(shù)之一它通過(guò)卷積、池化與全連接層的協(xié)同工作自動(dòng)從原始像素中提取局部特征實(shí)現(xiàn)對(duì)圖像的高效識(shí)別。與普通全連接網(wǎng)絡(luò)相比CNN具備參數(shù)共享和平移不變性在圖像任務(wù)中泛化能力更強(qiáng)因此成為計(jì)算機(jī)視覺(jué)領(lǐng)域的基礎(chǔ)模型。從技術(shù)價(jià)值來(lái)看CNN不僅能用于經(jīng)典的手寫(xiě)數(shù)字識(shí)別還能遷移到物體檢測(cè)、人臉識(shí)別等復(fù)雜場(chǎng)景是工程實(shí)踐中高頻使用的模型架構(gòu)。在模型訓(xùn)練過(guò)程中選擇合適的深度學(xué)習(xí)框架至關(guān)重要PyTorch憑借動(dòng)態(tài)計(jì)算圖和靈活的調(diào)試體驗(yàn)深受開(kāi)發(fā)者喜愛(ài)。本文以MNIST數(shù)據(jù)集為例完整講解從數(shù)據(jù)加載、數(shù)據(jù)歸一化、DataLoader批處理、CNN模型搭建到訓(xùn)練評(píng)估與可視化的全流程并最終達(dá)到99%以上的測(cè)試準(zhǔn)確率為課程設(shè)計(jì)、畢業(yè)設(shè)計(jì)以及入門(mén)深度學(xué)習(xí)工程實(shí)踐提供可復(fù)現(xiàn)的參考路徑。 作為一名過(guò)來(lái)人我太清楚畢業(yè)設(shè)計(jì)或期末大作業(yè)最怕的不是不會(huì)寫(xiě)代碼而是拿到一個(gè)題目后不知道從哪下手。手寫(xiě)數(shù)字識(shí)別這個(gè)方向是很多同學(xué)的首選因?yàn)樗扔凶銐虻摹凹夹g(shù)含量”又不會(huì)難到無(wú)法收尾。這篇內(nèi)容我打算把整個(gè)項(xiàng)目從零到一拆開(kāi)揉碎講清楚——基于 Python 實(shí)現(xiàn) CNN 卷積神經(jīng)網(wǎng)絡(luò)完成手寫(xiě)數(shù)字識(shí)別配套完整源碼、詳細(xì)注釋和數(shù)據(jù)集處理方案。不管你是準(zhǔn)備交期末作業(yè)還是畢業(yè)論文需要實(shí)驗(yàn)章節(jié)這份實(shí)操路線都可以直接參考。我默認(rèn)你已經(jīng)具備一點(diǎn)點(diǎn) Python 語(yǔ)法基礎(chǔ)但不需要會(huì)復(fù)雜的數(shù)學(xué)推導(dǎo)。CNN 里那些卷積、池化、全連接的概念我會(huì)用大白話加代碼一起講。項(xiàng)目里我會(huì)用 PyTorch 作為深度學(xué)習(xí)框架因?yàn)樗{(diào)試直觀、寫(xiě)起來(lái)靈活而且學(xué)術(shù)界和工業(yè)界都在用答辯時(shí)老師不會(huì)挑框架的毛病。最終會(huì)在 MNIST 數(shù)據(jù)集上跑出 99% 以上的測(cè)試準(zhǔn)確率這個(gè)指標(biāo)對(duì)于課程設(shè)計(jì)和本科畢設(shè)已經(jīng)完全夠用了。1. 項(xiàng)目定調(diào)畢設(shè)級(jí) CNN 手寫(xiě)數(shù)字識(shí)別怎么規(guī)劃1.1 為什么手寫(xiě)數(shù)字識(shí)別適合作為課程設(shè)計(jì)和畢業(yè)設(shè)計(jì)選題手寫(xiě)數(shù)字識(shí)別本質(zhì)上是圖像分類任務(wù)輸入是一張 28×28 的灰度圖片輸出是 0 到 9 這十個(gè)數(shù)字中的某一個(gè)類別。這個(gè)任務(wù)看起來(lái)簡(jiǎn)單但它把深度學(xué)習(xí)最核心的流程全部涵蓋了數(shù)據(jù)加載、模型搭建、訓(xùn)練調(diào)參、評(píng)估分析、結(jié)果可視化。評(píng)閱老師拿到一份項(xiàng)目看到你把這五個(gè)環(huán)節(jié)都完整實(shí)現(xiàn)了印象分天然就會(huì)高。選 MNIST 數(shù)據(jù)集還有幾個(gè)現(xiàn)實(shí)原因。第一是數(shù)據(jù)規(guī)模適中6 萬(wàn)張訓(xùn)練圖片加 1 萬(wàn)張測(cè)試圖片在我的筆記本 CPU 上跑完 10 個(gè) epoch 也就幾分鐘完全不需要依賴昂貴的 GPU。第二是圖片分辨率低28×28 單通道意味著模型結(jié)構(gòu)可以很輕量即使把網(wǎng)絡(luò)層數(shù)加深一點(diǎn)參數(shù)量仍然在可控范圍內(nèi)。第三是生態(tài)成熟數(shù)據(jù)下載、預(yù)處理、效果對(duì)比都有一套標(biāo)準(zhǔn)參考不太會(huì)出現(xiàn)你復(fù)現(xiàn)不出別人結(jié)果的情況。很多同學(xué)會(huì)糾結(jié)“這么經(jīng)典的任務(wù)會(huì)不會(huì)太簡(jiǎn)單體現(xiàn)不出水平”。我的看法是你能不能在有限時(shí)間內(nèi)把經(jīng)典任務(wù)做完整、講清楚比用花哨模型堆砌重要的多。導(dǎo)師真正在乎的是你有沒(méi)有理解卷積神經(jīng)網(wǎng)絡(luò)在做什么而不是你是不是用了一個(gè)冷門(mén)數(shù)據(jù)集。后續(xù)你想加分完全可以在改進(jìn)部分加入數(shù)據(jù)增強(qiáng)、模型結(jié)構(gòu)調(diào)優(yōu)甚至部署成 Web 應(yīng)用這些都是可擴(kuò)展的點(diǎn)。1.2 深度學(xué)習(xí)框架選型PyTorch 還是 TensorFlow寫(xiě)這段的時(shí)候我其實(shí)很有感觸。我最早學(xué)的是 TensorFlow 1.x那時(shí)候 API 設(shè)計(jì)反人類每次搭模型都要先畫(huà)計(jì)算圖調(diào)試一個(gè)維度錯(cuò)誤能卡一個(gè)下午。后來(lái) PyTorch 起來(lái)了它的動(dòng)態(tài)計(jì)算圖機(jī)制對(duì)新手極其友好——你寫(xiě)代碼的方式和程序?qū)嶋H執(zhí)行的方式一致報(bào)錯(cuò)也能直接定位到 Python 代碼行不需要繞一層抽象。所以我強(qiáng)烈建議畢設(shè)項(xiàng)目用 PyTorch。PyTorch 的生態(tài)也很完善torchvision 提供了 MNIST 數(shù)據(jù)集的直接下載接口torch.nn 里面卷積層、池化層、全連接層都是現(xiàn)成的模塊。你用 $cnn$ 結(jié)構(gòu)搭建一個(gè)模型核心代碼不會(huì)超過(guò) 50 行。這在答辯場(chǎng)景下是優(yōu)勢(shì)因?yàn)槔蠋熌弥愕脑创a逐行問(wèn)你能快速說(shuō)清楚每一行的作用而不是搬出一大堆框架自動(dòng)生成的東西。當(dāng)然我也承認(rèn)如果團(tuán)隊(duì)或者學(xué)校課程一直用 TensorFlow/Keras那就沒(méi)必要強(qiáng)行換。衡量標(biāo)準(zhǔn)只有一個(gè)你能否在截止日期前獨(dú)立完成閉環(huán)。如果你對(duì) PyTorch 完全零基礎(chǔ)但會(huì)用 Python大概需要兩到三天時(shí)間適應(yīng)它的數(shù)據(jù)流和訓(xùn)練循環(huán)寫(xiě)法。這個(gè)時(shí)間成本放在期末周里不算小所以選型要趁早。1.3 代碼結(jié)構(gòu)與文件規(guī)劃項(xiàng)目不要把所有代碼堆在一個(gè) notebook 里雖然 Jupyter Notebook 適合演示但作為交付源碼還是建議拆分成模塊化文件。我最終的目錄結(jié)構(gòu)大致如下mnist_cnn/ ├── data/ │ └── MNIST/ # 數(shù)據(jù)集存放位置自動(dòng)下載 ├── models/ │ └── model.py # CNN 網(wǎng)絡(luò)結(jié)構(gòu)定義 ├── utils/ │ ├── dataset.py # 數(shù)據(jù)加載與預(yù)處理 │ ├── train.py # 訓(xùn)練邏輯 │ └── visualize.py # 訓(xùn)練曲線、混淆矩陣可視化 ├── main.py # 一鍵運(yùn)行數(shù)據(jù) → 訓(xùn)練 → 評(píng)估 ├── predict.py # 單張圖片推理演示 ├── requirements.txt └── README.md我堅(jiān)持模塊化的原因有兩點(diǎn)。第一是可維護(hù)性好你想調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)只改 model.py想換數(shù)據(jù)增強(qiáng)策略只改 dataset.py互不影響。第二是答辯答辯時(shí)你可以講清楚軟件工程思想這也是老師常問(wèn)的問(wèn)題點(diǎn)。很多同學(xué)在準(zhǔn)備期末大作業(yè)時(shí)能力完全夠但代碼亂成一鍋粥最后扣分很冤。模塊化即使不加分也絕不會(huì)扣分。2. 數(shù)據(jù)處理與加載從 MNIST 下載到 DataLoader2.1 MNIST 數(shù)據(jù)集的基本情況MNIST 全稱是 Modified National Institute of Standards and Technology手寫(xiě)數(shù)字?jǐn)?shù)據(jù)集的經(jīng)典中的經(jīng)典。它包含 0 到 9 十個(gè)類別每張圖片為 28 像素寬、28 像素高、單通道灰度圖像素值范圍在 0 到 255 之間0 表示黑色背景255 表示白色筆跡。訓(xùn)練集有 60000 張測(cè)試集有 10000 張。注意訓(xùn)練集和測(cè)試集是官方劃分好的我們?cè)谧鰧?shí)驗(yàn)時(shí)千萬(wàn)不能把自己的驗(yàn)證集從測(cè)試集里切否則測(cè)試集就失去了“沒(méi)有見(jiàn)過(guò)的數(shù)據(jù)”的意義。在 PyTorch 中用 torchvision.datasets.MNIST 接口下載時(shí)可以看到 train 參數(shù)trainTrue 下載訓(xùn)練集trainFalse 下載測(cè)試集。這里有一個(gè)被很多新手忽略的點(diǎn)你直接拿到的圖片是 PIL 格式不是 PyTorch 能直接計(jì)算的張量。所以每次取出一條數(shù)據(jù)都要先完成格式轉(zhuǎn)換最常見(jiàn)的手段就是使用 torchvision.transforms.ToTensor()它會(huì)把 PIL 圖片轉(zhuǎn)成形狀為 (C, H, W) 的張量并把像素值從 0~255 縮放到 0~1。2.2 像素歸一化為什么要除以 255我知道有些同學(xué)會(huì)偷懶不做歸一化直接把 0~255 的像素塞進(jìn)網(wǎng)絡(luò)結(jié)果訓(xùn)練時(shí)發(fā)現(xiàn) loss 很難下降。原因并不神秘。神經(jīng)網(wǎng)絡(luò)中每一層的參數(shù)更新依賴梯度的反向傳播如果輸入特征數(shù)值范圍過(guò)大會(huì)導(dǎo)致某些層的加權(quán)求和結(jié)果很大激活函數(shù)進(jìn)入飽和區(qū)梯度接近于零參數(shù)幾乎無(wú)法更新。把像素值歸一化到 0~1 或者更常見(jiàn)的零均值單位方差后模型收斂速度會(huì)有肉眼可見(jiàn)的提升。torchvision.transforms.ToTensor() 內(nèi)部已經(jīng)替你做了除以 255 的操作所以只要你用了這個(gè) transform輸入到模型的數(shù)據(jù)范圍就是 [0,1]。你還可以再加 Normalize((0.1307,), (0.3081,))這兩個(gè)值是 MNIST 數(shù)據(jù)集的全局均值和標(biāo)準(zhǔn)差在社區(qū)里已經(jīng)是公開(kāi)基礎(chǔ)信息。作用是把數(shù)據(jù)標(biāo)準(zhǔn)化到均值為 0、標(biāo)準(zhǔn)差為 1 的分布進(jìn)一步幫助訓(xùn)練穩(wěn)定。需要強(qiáng)調(diào)的是Normalize 操作中的均值和標(biāo)準(zhǔn)差必須和數(shù)據(jù)集本身匹配。如果你后面更換了 Fashion-MNIST 等數(shù)據(jù)集這兩個(gè)參數(shù)就要重新計(jì)算不能直接抄過(guò)來(lái)用。我見(jiàn)過(guò)有人把 ImageNet 的均值標(biāo)準(zhǔn)差用到 MNIST 上雖然模型最后也能跑但訓(xùn)練曲線明顯不平滑所以你最好不要這么做。2.3 DataLoader 與 batch 概念數(shù)據(jù)準(zhǔn)備中另一個(gè)核心概念是 batch。為什么要用 batch 而不是一次把 60000 張圖片全都喂進(jìn)去如果你嘗試過(guò)全批量梯度下降就明白顯存會(huì)被瞬間撐爆而且訓(xùn)練過(guò)程中損失下降路徑非常僵硬。反過(guò)來(lái)如果每次只喂一張圖權(quán)重更新方向波動(dòng)太大損失函數(shù)像心電圖一樣上下亂跳收斂效率極低。所以 PyTorch 提供了 DataLoader 工具讓我們按 batch 取數(shù)據(jù)。常見(jiàn)選擇是 batch_size64 或 128。以 64 為例每輪迭代從訓(xùn)練集中隨機(jī)抽取 64 張圖片計(jì)算這 64 張的平均梯度然后更新一次參數(shù)。60000 張圖片全部走過(guò)一遍算一個(gè) epoch一個(gè) epoch 有 938 個(gè)這樣的迭代。DataLoader 還有一個(gè) shuffle 參數(shù)訓(xùn)練階段設(shè)為 True。這個(gè)至關(guān)重要因?yàn)槿绻麛?shù)據(jù)原本按標(biāo)簽順序排列不打亂的話每個(gè) batch 內(nèi)可能全是同一個(gè)數(shù)字模型學(xué)到的特征會(huì)產(chǎn)生嚴(yán)重偏移。測(cè)試階段一般設(shè)為 False因?yàn)闇y(cè)試只用前向傳播不需要考慮梯度更新的隨機(jī)性。# utils/dataset.py 核心代碼 from torchvision import datasets, transforms from torch.utils.data import DataLoader def get_dataloader(batch_size64, use_augmentFalse): transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset datasets.MNIST( root./data, trainTrue, downloadTrue, transformtransform ) test_dataset datasets.MNIST( root./data, trainFalse, downloadTrue, transformtransform ) train_loader DataLoader( train_dataset, batch_sizebatch_size, shuffleTrue ) test_loader DataLoader( test_dataset, batch_sizebatch_size, shuffleFalse ) return train_loader, test_loader上面的代碼中downloadTrue 會(huì)在第一次運(yùn)行時(shí)自動(dòng)下載數(shù)據(jù)到 ./data/MNIST 目錄。網(wǎng)絡(luò)通暢的情況下下載很順利如果反復(fù)失敗你可以找一臺(tái)有網(wǎng)環(huán)境的機(jī)器把文件下載后拷貝過(guò)來(lái)也可以手動(dòng)解壓到指定目錄只要目錄結(jié)構(gòu)符合 torchvision 的預(yù)期即可。具體的排障方法我在后面第七部分單獨(dú)整理一個(gè)清單。3. CNN 模型搭建手寫(xiě)數(shù)字識(shí)別背后的圖像原理3.1 卷積層、池化層、全連接層各司其職現(xiàn)在進(jìn)入重頭戲也就是 CNN 卷積神經(jīng)網(wǎng)絡(luò)本身。我在理解這個(gè)模型時(shí)最有用的類比是“圖像濾鏡”。你可以把卷積層想象成一組可以學(xué)習(xí)的濾鏡每個(gè)濾鏡掃描整張圖片提取一種特定的局部特征比如邊緣、拐角、筆畫(huà)的粗細(xì)。一開(kāi)始網(wǎng)絡(luò)不知道哪些特征重要但是通過(guò)訓(xùn)練數(shù)據(jù)反向傳播濾鏡會(huì)自動(dòng)調(diào)整參數(shù)最終保留有用的特征。卷積運(yùn)算有幾個(gè)關(guān)鍵概念需要解釋。第一是局部感受野每次卷積核只觀察輸入圖上一個(gè)小窗口比如 3×3而不是看整張圖。這符合圖像的天然屬性離得很遠(yuǎn)的像素之間關(guān)聯(lián)性弱沒(méi)必要一開(kāi)始就讓它們直接相連。第二是參數(shù)共享同一個(gè)卷積核掃過(guò)整張圖所有位置時(shí)權(quán)重相同。這大大減少了模型參數(shù)量也賦予網(wǎng)絡(luò)平移不變性也就是說(shuō)一個(gè)數(shù)字出現(xiàn)在圖片左上角還是右下角都能被同一個(gè)特征提取器識(shí)別。池化層的作用是降維最常用的是最大池化把 2×2 窗口中的最大值選出來(lái)。這樣做一方面縮小了特征圖的尺寸減少了后續(xù)計(jì)算量另一方面保留了最有響應(yīng)強(qiáng)度的特征讓模型對(duì)輕微位移和形變更加魯棒。我在這個(gè)項(xiàng)目中用了兩個(gè)卷積塊加兩個(gè)池化層圖片從 28×28 逐漸變成 14×14再變成 7×7特征通道從 1 擴(kuò)到 32 再擴(kuò)到 64。通道變多意味著網(wǎng)絡(luò)在高層次上能提取更豐富的特征而空間尺寸變小意味著特征越來(lái)越全局化。3.2 網(wǎng)絡(luò)結(jié)構(gòu)定義與形狀推導(dǎo)我最終使用的 CNN 結(jié)構(gòu)如下第一層Conv2d(1, 32, kernel_size3, padding1)后接 ReLU再接 MaxPool2d(2)第二層Conv2d(32, 64, kernel_size3, padding1)后接 ReLU再接 MaxPool2d(2)第三層Flatten把二維特征圖拉成一維向量第四層Linear(64×7×7, 128)后接 ReLU第五層Linear(128, 10)輸出十個(gè)類別的分?jǐn)?shù)關(guān)于形狀變化有一個(gè)通用公式可以自己推導(dǎo)。設(shè)輸入特征圖尺寸為 W卷積核大小為 K填充為 P步長(zhǎng)為 S則輸出尺寸為輸出尺寸 (W - K 2P) / S 1當(dāng) W28K3P1S1 時(shí)輸出仍然是 28。經(jīng)過(guò) MaxPool2d(2) 后尺寸減半變成 14。第二次卷積后保持 14再經(jīng)過(guò)池化變成 7。所以 Flatten 前的張量形狀是 [64, 7, 7]64 是通道數(shù)全連接層第一個(gè) Linear 的輸入維度就是 64×7×73136。代碼實(shí)現(xiàn)如下# models/model.py import torch.nn as nn class CNNNet(nn.Module): def __init__(self): super(CNNNet, self).__init__() self.conv_layers nn.Sequential( nn.Conv2d(1, 32, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(32, 64, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), ) self.fc_layers nn.Sequential( nn.Linear(64 * 7 * 7, 128), nn.ReLU(), nn.Linear(128, 10), ) def forward(self, x): x self.conv_layers(x) x x.view(x.size(0), -1) x self.fc_layers(x) return x代碼里我要特別提醒 view 這一步。x 經(jīng)過(guò)卷積池化后形狀是 [batch_size, 64, 7, 7]view(x.size(0), -1) 表示保持 batch 維度不變把每個(gè)樣本的 64×7×7 展平成 3136 維向量然后才能輸入全連接層。這個(gè)維度不匹配是最常見(jiàn)的報(bào)錯(cuò)大家動(dòng)手寫(xiě)的時(shí)候注意一下。3.3 為什么 CNN 比全連接網(wǎng)絡(luò)更適合圖像很多同學(xué)會(huì)問(wèn)“我也能用多層感知機(jī) MLP 做手寫(xiě)數(shù)字識(shí)別為什么非要用 CNN”確實(shí)MLP 在處理 MNIST 上也能達(dá)到 95% 左右的準(zhǔn)確率但是如果你把輸入圖片稍微平移幾個(gè)像素MLP 的分類結(jié)果可能就變了而 CNN 會(huì)穩(wěn)定很多。原因在于 MLP 把圖像拉平成一維序列后像素之間的空間位置關(guān)系被破壞了。比如一個(gè)像素在第 10 位和第 100 位對(duì)模型來(lái)說(shuō)只是編號(hào)不同模型必須靠大量參數(shù)強(qiáng)行記憶每種數(shù)字模式。CNN 則通過(guò)卷積操作完整保留了二維空間結(jié)構(gòu)。卷積核滑動(dòng)時(shí)相鄰像素的關(guān)聯(lián)被天然建模這種歸納偏置讓模型在小數(shù)據(jù)集上更不容易過(guò)擬合同時(shí)泛化能力更強(qiáng)。所以即使 MNIST 是灰度簡(jiǎn)圖用 CNN 依然是最合理的選擇也能給畢設(shè)的“研究意義”部分提供充足論證素材。4. 訓(xùn)練流程從損失函數(shù)到訓(xùn)練循環(huán)細(xì)節(jié)4.1 損失函數(shù)選擇交叉熵分類問(wèn)題最常用的損失函數(shù)是交叉熵。PyTorch 中可以直接用 nn.CrossEntropyLoss()這個(gè)模塊內(nèi)部把 Softmax 和交叉熵合并在一起。模型輸出的 logits 是一個(gè)長(zhǎng)度 10 的向量每個(gè)位置的數(shù)值代表該類的“未歸一化得分”CrossEntropyLoss 會(huì)先把 logits 通過(guò) Softmax 轉(zhuǎn)成概率分布然后計(jì)算真實(shí)標(biāo)簽分布與預(yù)測(cè)分布的交叉熵。為什么不直接用均方誤差 MSE我在剛開(kāi)始學(xué)習(xí)時(shí)也困惑過(guò)。核心原因是分類問(wèn)題輸出的是離散類別MSE 假設(shè)誤差服從高斯分布適合回歸場(chǎng)景而交叉熵從信息論角度直接衡量?jī)蓚€(gè)概率分布的距離梯度在 Softmax 配合下更有利于分類任務(wù)。換個(gè)直白的說(shuō)法你用交叉熵訓(xùn)練模型預(yù)測(cè)置信度高的樣本會(huì)得到更小的損失預(yù)測(cè)錯(cuò)誤時(shí)的懲罰也更明確訓(xùn)練效率遠(yuǎn)高于 MSE。4.2 優(yōu)化器與學(xué)習(xí)率優(yōu)化器我選擇 Adam這是目前最流行的選擇之一。Adam 相當(dāng)于在 SGD 基礎(chǔ)上加入了一階動(dòng)量和二階動(dòng)量可以在訓(xùn)練中自動(dòng)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)步長(zhǎng)。對(duì) MNIST 這樣的小數(shù)據(jù)集Adam 的默認(rèn)參數(shù)已經(jīng)很好用你不需要過(guò)多糾結(jié)。學(xué)習(xí)率這里我踩過(guò)一次坑。剛開(kāi)始我把學(xué)習(xí)率設(shè)成 0.1結(jié)果 loss 在 2.3 附近原地不動(dòng)甚至偶爾變成 NaN。后來(lái)?yè)Q到 0.001訓(xùn)練在 10 個(gè) epoch 內(nèi)就把測(cè)試準(zhǔn)確率拉到了 99% 左右。如果學(xué)習(xí)率太大會(huì)導(dǎo)致參數(shù)更新跨度過(guò)大越過(guò)最優(yōu)點(diǎn)學(xué)習(xí)率太小則收斂太慢期末周時(shí)間寶貴等不起。我的建議是先從 0.001 起步觀察訓(xùn)練曲線平穩(wěn)下降再在最后幾個(gè) epoch 考慮用 torch.optim.lr_scheduler.StepLR 每若干輪把學(xué)習(xí)率降一半這種操作能讓損失在訓(xùn)練后期進(jìn)一步下降。4.3 完整的訓(xùn)練循環(huán)代碼訓(xùn)練循環(huán)的固定心法我總結(jié)成四步清空梯度、前向傳播、計(jì)算損失、反向傳播和優(yōu)化器步進(jìn)。這幾個(gè)步驟順序不能亂。梯度清空放在最前面如果忘了寫(xiě) zero_grad()PyTorch 默認(rèn)會(huì)累加梯度loss 就會(huì)亂掉。模型要在訓(xùn)練和驗(yàn)證兩種模式間切換通過(guò) model.train() 和 model.eval() 實(shí)現(xiàn)。為什么必須切換因?yàn)?BatchNorm 層和 Dropout 層在訓(xùn)練和測(cè)試時(shí)行為不同。BatchNorm 在訓(xùn)練時(shí)用當(dāng)前 batch 的均值方差在測(cè)試時(shí)用累積的全局統(tǒng)計(jì)量Dropout 在訓(xùn)練時(shí)隨機(jī)丟神經(jīng)元在測(cè)試時(shí)不丟。如果不切換評(píng)估結(jié)果會(huì)有偏差。# utils/train.py 簡(jiǎn)化版核心訓(xùn)練邏輯 def train_one_epoch(model, train_loader, optimizer, criterion, device): model.train() total_loss 0 correct 0 for images, labels in train_loader: images, labels images.to(device), labels.to(device) optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() total_loss loss.item() * images.size(0) pred outputs.argmax(dim1) correct (pred labels).sum().item() return total_loss / len(train_loader.dataset), correct / len(train_loader.dataset)我建議在訓(xùn)練循環(huán)里同時(shí)統(tǒng)計(jì)每個(gè) epoch 的訓(xùn)練準(zhǔn)確率不要只看 lossloss 下降但準(zhǔn)確率不動(dòng)也是可能的。當(dāng)訓(xùn)練準(zhǔn)確率達(dá)到 99% 以上但驗(yàn)證準(zhǔn)確率還在 97% 附近徘徊就說(shuō)明模型開(kāi)始過(guò)擬合訓(xùn)練集了。4.4 訓(xùn)練過(guò)程中的兩個(gè)典型問(wèn)題第一個(gè)問(wèn)題是過(guò)擬合。MNIST 比較友好一般不會(huì)嚴(yán)重過(guò)擬合但如果你把網(wǎng)絡(luò)搞得太寬太深比如每層 512 個(gè)神經(jīng)元就會(huì)開(kāi)始出現(xiàn)訓(xùn)練集 100%、測(cè)試集 98% 這種差距。緩解手段包括增加 Dropout、做數(shù)據(jù)增強(qiáng)、縮小網(wǎng)絡(luò)規(guī)模。我在第七部分會(huì)詳細(xì)展開(kāi)。第二個(gè)問(wèn)題是訓(xùn)練時(shí)間。CPU 上跑我的模型10 個(gè) epoch 大約需要 4 到 6 分鐘完全在可接受范圍內(nèi)。如果你的電腦配置更差建議調(diào)小 batch_size 到 32并減少訓(xùn)練 epoch 到 5先把整個(gè)流程跑通再說(shuō)。千萬(wàn)不要一開(kāi)始就在大參數(shù)上死等調(diào)通流程比追求指標(biāo)重要。5. 評(píng)估與可視化讓模型結(jié)果看得見(jiàn)5.1 準(zhǔn)確率不是唯一指標(biāo)訓(xùn)練結(jié)束后我們要在測(cè)試集上做最終評(píng)估。測(cè)試集是模型從未見(jiàn)過(guò)的 1 萬(wàn)張圖片用它評(píng)估得到的準(zhǔn)確率才是泛化能力的真實(shí)體現(xiàn)。不過(guò)光看準(zhǔn)確率還不夠有說(shuō)服力我在畢設(shè)報(bào)告中補(bǔ)充了精確率、召回率和 F1 值還有混淆矩陣這些指標(biāo)能幫你分析模型到底在哪些類別上犯了錯(cuò)。PyTorch 中可以用 sklearn.metrics 里的 classification_report 和 confusion_matrix 直接計(jì)算。這兩個(gè)函數(shù)很成熟一行代碼就能輸出全部指標(biāo)。不過(guò)我建議你要懂得怎么從混淆矩陣?yán)镒x數(shù)比如第 4 行第 9 列的值是 8意味著有 8 張真實(shí)的數(shù)字 4 被模型誤判成了 9。這種分析寫(xiě)到論文實(shí)驗(yàn)章節(jié)里是很好的素材。5.2 可視化訓(xùn)練曲線和混淆矩陣我習(xí)慣用 matplotlib 畫(huà)兩張圖。第一張是訓(xùn)練集和測(cè)試集的損失值隨 epoch 的變化曲線直觀展示收斂過(guò)程。第二張是混淆矩陣的熱力圖x 軸是預(yù)測(cè)標(biāo)簽y 軸是真實(shí)標(biāo)簽對(duì)角線越亮越好。可視化代碼由于篇幅原因我先不全部貼出真正要掌握的核心就這幾點(diǎn)預(yù)測(cè)結(jié)果是 logits需要用 argmax(dim1) 取概率最大的類別正確率統(tǒng)計(jì)要把預(yù)測(cè)標(biāo)簽和真實(shí)標(biāo)簽逐元素比較混淆矩陣要用測(cè)試集的全部 1 萬(wàn)張圖片來(lái)算不要偷懶只用 1000 張否則誤差會(huì)偏大。我實(shí)際跑出來(lái)的結(jié)果測(cè)試準(zhǔn)確率在 99.0% 到 99.3% 之間在第 2 和第 3 個(gè) epoch 時(shí)準(zhǔn)確率就已經(jīng)能突破 98%后續(xù)訓(xùn)練是穩(wěn)步微調(diào)。5.3 每個(gè) epoch 的輸出效果我給出一次實(shí)際運(yùn)行的參考日志方便大家對(duì)照Epoch訓(xùn)練損失訓(xùn)練準(zhǔn)確率測(cè)試準(zhǔn)確率10.15296.02%97.33%20.04798.68%98.46%30.03299.08%98.82%40.02499.32%98.96%50.01999.43%99.06%60.01699.56%99.10%70.01399.66%99.18%80.01199.73%99.21%90.00999.81%99.25%100.00899.86%99.26%從表格可以看出訓(xùn)練準(zhǔn)確率在持續(xù)提升測(cè)試準(zhǔn)確率也在提升但幅度趨緩。這是正?,F(xiàn)象說(shuō)明模型逐漸收斂。測(cè)試準(zhǔn)確率始終低于訓(xùn)練準(zhǔn)確率這是泛化差距的表現(xiàn)不過(guò)差距很小在可接受范圍內(nèi)。6. 實(shí)驗(yàn)技巧與畢設(shè)答辯延伸6.1 簡(jiǎn)單的數(shù)據(jù)增強(qiáng)改進(jìn)雖然是經(jīng)典數(shù)據(jù)集但實(shí)驗(yàn)部分如果能有一點(diǎn)“改進(jìn)實(shí)驗(yàn)”會(huì)顯得工作量更充裕。一個(gè)常用的手段是數(shù)據(jù)增強(qiáng)也就是對(duì)原始訓(xùn)練圖片做隨機(jī)變換生成更多樣化的訓(xùn)練樣本。對(duì) MNIST 而言比較合適的增強(qiáng)包括隨機(jī)旋轉(zhuǎn) 10 度范圍內(nèi)、隨機(jī)平移兩個(gè)像素、添加少量噪聲。這里我要提醒一個(gè)新手常見(jiàn)誤解手寫(xiě)數(shù)字識(shí)別不應(yīng)該做水平翻轉(zhuǎn)增強(qiáng)。因?yàn)閿?shù)字 6 翻轉(zhuǎn)后會(huì)變成 9數(shù)字 8 翻轉(zhuǎn)后還是 8但數(shù)字 7 翻轉(zhuǎn)后可能變成另一個(gè)數(shù)字。翻轉(zhuǎn)會(huì)破壞類別標(biāo)簽?zāi)P蜁?huì)學(xué)到錯(cuò)誤映射。所以增強(qiáng)策略必須符合任務(wù)本身的語(yǔ)義。PyTorch 中可以在 transforms.Compose 里加上 RandomRotation。代碼上只需改一行但實(shí)驗(yàn)效果可能會(huì)在 99% 的基礎(chǔ)上再穩(wěn)定一點(diǎn)點(diǎn)更重要的是你在論文中可以寫(xiě)“通過(guò)數(shù)據(jù)增強(qiáng)進(jìn)一步提高模型魯棒性”。6.2 模型參數(shù)量計(jì)算老師答辯時(shí)經(jīng)常問(wèn)“你這個(gè)模型有多大、有多少參數(shù)”。你不能只回答一個(gè)模糊的“不大”。參數(shù)量的計(jì)算其實(shí)很簡(jiǎn)單。卷積層參數(shù)量等于卷積核參數(shù)加上偏置計(jì)算公式為參數(shù) 輸入通道 × 輸出通道 × 卷積核高 × 卷積核寬 輸出通道全連接層參數(shù)量等于輸入維度乘輸出維度再加偏置。第一層卷積的參數(shù)量是 1×32×3×332320第二層是 32×64×3×36418496第一個(gè)全連接層是 3136×128128401536輸出層是 128×10101290總參數(shù)約 42 萬(wàn)。這個(gè)規(guī)模非常小存儲(chǔ)模型文件不到 2MB。6.3 答辯常見(jiàn)問(wèn)題與回答思路我整理了一套被高頻提問(wèn)的清單提前準(zhǔn)備總比現(xiàn)場(chǎng)現(xiàn)編強(qiáng)。問(wèn)題建議回答思路為什么選擇 CNN 而不是普通神經(jīng)網(wǎng)絡(luò)圖像有局部相關(guān)性和空間結(jié)構(gòu)CNN 用卷積核提取局部特征參數(shù)共享減少參數(shù)量池化增強(qiáng)平移不變性卷積層和池化層分別有什么作用卷積負(fù)責(zé)特征提取池化負(fù)責(zé)降維和保留重要特征兩者配合減少計(jì)算量并增強(qiáng)泛化為什么使用 ReLU 激活函數(shù)計(jì)算簡(jiǎn)單、能緩解梯度消失相比 sigmoid/tanh 收斂更快訓(xùn)練中過(guò)擬合怎么解決降低模型復(fù)雜度、加入 Dropout、數(shù)據(jù)增強(qiáng)、早停、增加正則化測(cè)試集和驗(yàn)證集有什么不同驗(yàn)證集用于訓(xùn)練過(guò)程中調(diào)參選模型測(cè)試集只用于最終評(píng)估絕不參與訓(xùn)練這些問(wèn)題沒(méi)有標(biāo)準(zhǔn)答案但思路對(duì)了就能拿分。你在平時(shí)訓(xùn)練時(shí)多記錄幾組實(shí)驗(yàn)對(duì)比比如不同學(xué)習(xí)率下的收斂情況答辯時(shí)能拿出來(lái)展示說(shuō)服力遠(yuǎn)勝于口頭描述。7. 典型問(wèn)題排查與項(xiàng)目擴(kuò)展方向7.1 我在實(shí)際開(kāi)發(fā)中遇到的坑這個(gè)項(xiàng)目看著簡(jiǎn)單真動(dòng)手時(shí)還是會(huì)遇到各種意外。我先說(shuō)最常見(jiàn)的。MNIST 數(shù)據(jù)集默認(rèn)從網(wǎng)上下載如果網(wǎng)絡(luò)不穩(wěn)定下載到一半中斷torchvision 會(huì)報(bào)錯(cuò)或者留下殘缺文件。解決辦法是刪除 data/MNIST 目錄下的不完整文件重新下載。如果實(shí)在沒(méi)有網(wǎng)絡(luò)環(huán)境可以從有網(wǎng)環(huán)境拿到完整的 MNIST 文件然后手動(dòng)放到正確目錄確保文件名稱和結(jié)構(gòu)一致。第二個(gè)容易踩的坑是設(shè)備問(wèn)題。默認(rèn)訓(xùn)練跑在 CPU 上有些同學(xué)的電腦內(nèi)存只有 8GBbatch_size 設(shè)得過(guò)大可能導(dǎo)致內(nèi)存溢出。我的建議是先用 batch_size32 做一次冒煙測(cè)試確保整個(gè)流程能跑通再?zèng)Q定要不要加大。第三個(gè)坑是 loss 出現(xiàn) NaN。這個(gè)大多數(shù)時(shí)候是學(xué)習(xí)率過(guò)大或者數(shù)據(jù)沒(méi)歸一化導(dǎo)致的。如果 Pixel 值還是 0~255loss 直接 NaN 的概率很高。我還遇到過(guò)在 Jupyter 中運(yùn)行多次訓(xùn)練代碼模型參數(shù)和優(yōu)化器狀態(tài)累積導(dǎo)致結(jié)果一次比一次奇怪。這種狀態(tài)污染類問(wèn)題建議每次訓(xùn)完重新實(shí)例化模型不要反復(fù)用同一對(duì)象接著訓(xùn)練。7.2 用 PyTorch 快速手寫(xiě)識(shí)別模型改進(jìn)方向如果你想讓這個(gè)項(xiàng)目從課程作業(yè)晉升為畢業(yè)設(shè)計(jì)亮點(diǎn)可以在幾個(gè)方向上擴(kuò)展。第一是交互界面用 Tkinter 或 PyQt 畫(huà)一個(gè)手寫(xiě)板鼠標(biāo)在上面寫(xiě)數(shù)字模型實(shí)時(shí)識(shí)別結(jié)果。這種 Demo 在答辯現(xiàn)場(chǎng)效果非常好我見(jiàn)過(guò)很多同學(xué)靠這一點(diǎn)把分?jǐn)?shù)拉高。第二是 Web 部署用 Flask 或 FastAPI 封裝模型接口瀏覽器上傳圖片返回識(shí)別結(jié)果這部分能體現(xiàn)工程化能力。第三是模型結(jié)構(gòu)改進(jìn)可以嘗試 ResNet 風(fēng)格的殘差連接或者把普通卷積替換為深度可分離卷積從而在參數(shù)量基本不變的情況下提升精度。這個(gè)項(xiàng)目的設(shè)計(jì)思路同樣適用于其他圖像分類任務(wù)。比如把 MNIST 換成 Fashion-MNIST你就需要把輸入通道、類別數(shù)保持一致只是模型要學(xué)會(huì)區(qū)分不同衣著類別換到無(wú)人機(jī)航拍數(shù)據(jù)集、道路裂縫數(shù)據(jù)集等場(chǎng)景時(shí)重點(diǎn)也不再是網(wǎng)絡(luò)結(jié)構(gòu)本身而是數(shù)據(jù)標(biāo)注質(zhì)量和輸入圖片的預(yù)處理方式。所以說(shuō)到底你在這個(gè)項(xiàng)目里建立的數(shù)據(jù)處理、模型訓(xùn)練、評(píng)估分析閉環(huán)才是真正能遷移的能力。7.3 關(guān)于源碼、注釋和數(shù)據(jù)集交付的補(bǔ)充建議最后說(shuō)一個(gè)很容易被忽略的“非技術(shù)”問(wèn)題交付物形式。老師或者評(píng)審最終看到的不只是代碼能不能跑還包括代碼注釋清不清楚、數(shù)據(jù)集是否完整、README 是否看得懂。我給自己的每個(gè)函數(shù)都寫(xiě)了 docstring關(guān)鍵訓(xùn)練步驟也加了中文注釋這不是制造工作量而是為了讓自己兩個(gè)星期后回頭看代碼還能一眼看懂當(dāng)初的意圖。數(shù)據(jù)集方面默認(rèn)情況下 torchvision 會(huì)自動(dòng)下載但我額外把數(shù)據(jù)目錄單獨(dú)整理好并在 README 里寫(xiě)了“目錄結(jié)構(gòu)說(shuō)明”。如果你是離線交付建議把 MNIST 數(shù)據(jù)集一起打包避免對(duì)方運(yùn)行時(shí)才去下載。這里補(bǔ)充一點(diǎn)個(gè)人的經(jīng)驗(yàn)項(xiàng)目源碼包如果超過(guò) 200MB建議分卷壓縮評(píng)分老師用微信或郵件收件時(shí)不會(huì)被單文件大小卡住。我自己在完成這個(gè)項(xiàng)目時(shí)最大的感受是不要被“深度學(xué)習(xí)”四個(gè)字嚇住。借助 PyTorch 和標(biāo)準(zhǔn)數(shù)據(jù)集哪怕只有基礎(chǔ) Python 知識(shí)也能在不到一周的時(shí)間內(nèi)實(shí)現(xiàn)一個(gè)表現(xiàn)很好的圖像分類系統(tǒng)。第一次跑通訓(xùn)練循環(huán)看到準(zhǔn)確率攀升的那一刻你會(huì)發(fā)現(xiàn)之前踩過(guò)的所有坑都值得。希望這篇內(nèi)容能幫你少走幾步彎路也別為了保證安全而錯(cuò)過(guò)大作業(yè)的學(xué)分。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
99在线观看| 99惹精品视频| 嫩BBB槡BBBB搡BBBB| 日本 欧美在线| 色狠狠综合网| 激情婷婷五月天。| 专区无日本视频高清8| 99色综合网| 天天射美女| 久久免费操| 天堂久久婷婷| 五月天日日操夜夜操 | 丁香五月区| 亚洲人成播放网站| 人人九色| www.婷婷网| 五月天色图| 97综合在线| 久久久99视频| 激情六月综合| 日日夜夜噜噜爽爽| 久久亚洲无码| 99热这里| 夜夜干天天干| 99久久婷婷国产综合精品草原| 五月天桃色深爱网| 五月婷婷福利| 中文字幕九九九九| 超pen个人视频97| 六月丁香激情婷婷| 久9久9久9久9久9久9| 日狠狠| 99热这里只有精品国产免费| 操b视频在线观看一区二区| 婷婷六月激情| 五月婷婷伦理| 色情五月天导航| 五月丁香自拍| 第一区久久网站| 色婷婷玖玖影院| 天天干电影| 精品久久久999| 婷婷激情六月| 婷婷五月天视频亚洲| www.sebowuyue| 人人摸人人干| 午夜九九电影| 五月婷婷激情久久| 婷婷99视频在线| 噜噜精品| 久久aaa| 五月天啪啪网| 99热国产| 天天搡日日搡aaaaⅩ| 99久久精品国产色欲| 91丨九色丨大屁股| 98热精品| 内射爽无广熟女亚洲| 五月综合缴情网| 色噜噜狠狠色综合网| 色五月网址| 婷婷五月伦理网站| 啊V视频在线观看| 中文字幕网伦射乱中文| 色色丁香婷婷综合| 79色色免费| 婷婷五月天丁香社区| 激情综合网五月婷婷| 人妻自慰高清合集| 5月婷婷6月丁香aV| 久草五月| 夜夜躁婷婷AV| 99re久热| 在线中文AV| 激情99| 亚洲丁香五月天在线视频| 日韩在线一级| www.色欲丁香婷婷| 国产婷婷色综合AV蜜臀AV | 99爱在线视频观看| 天天射射夜| 久久在线92| 99免费超碰在线| 五月婷婷狠狠干| 思思色综合网站| 日韩在线视频中文字幕| 色噜久| 伊人久久婷婷| 九九热在线99| 丁香综合网| 丁香激激情网| 日韩六十路91性交电影| 26uuu四色| 日亚二欧美| 99年操人人爽| 日韩免费视频| 99色在线视频| 狠狠综合网| 婷婷五月天福利| 成人欧美Va| 91精品国产91久久久久青草| 人人综合久| 好叼操在线观看| 亚洲综合99| 丁香久久久| 天天热夜夜操| 婷婷五月综合啪| 99热超碰在线| 超碰av在线| www.精品久9| 丁香五月亚洲综合丝袜| 夜夜嗨一区二区三区直播内容| 五月天综合久久| 婷婷婷婷婷婷婷婷| 婷婷五月骚厕所| 很很操很很操| 六月丁香婷婷尤物| 丁香五月婷婷成人网| 玖玖国产视频一区| 综合五月草 | 人妻 性久久久久久| 91丁香五月| 国产操B| 99精品视频在线观看| 中文字幕永久在线| 婷婷五月丁香香蕉| 99热亚洲| 五月激情小说| 亚洲日本韩国| 操B无码视频国语| 中字幕视频在线永久在线观看免费 | 国产FREESEXVIDEOS性中国| 丁香六月久久| 激情五月综合婷婷| 99在线精品视频| 亚洲色五月| www..999热久| 激情五月综合网| 亚州操操| 五月丁香激情综合网| 丁香五月婷婷色| 亚洲成人免费电影| 91九色精品熟女内射| 日日爽夜夜爽| 色欧美一级| 尤物一区二区| 免费V片在线| 久久婷婷五月综合色和| 开心五月婷婷综合在线精品素人| 九热久| 亚洲成片在线观看| 99视频在线观看视频| 亚洲激情五月| 色婷视频| 久久婷婷五月激情网站| 九九爱激情| 色激情五月| 思思热精品在线| 五月丁香六月激情| 色五月 五月婷婷| 中文字幕成人| 日噜噜色| 91久久婷婷| 人妻性爱| 情婷婷五月天| 久久精典| 人人插操| AAA久久久AAA久久久AAA| 日本操碰碰| 性韩日色婷婷五月天激情啪啪XXX| 综合五月丁香久久| 五月丁香婷婷成人综合网| 婷婷丁香人妻天天久久| 亚洲av免费在线| 婷婷色在线| 日日操天堂| 97成人在线视频精品| 亚洲黄色精品| 天天日天天狠狠操| 自拍盗摄 另类| 激情婷婷五月| 久久婷婷综合五月天| 成人做爰A片免费看视频| 色婷婷五月天av在线| 久久精品五月| 狠狠干天天内射| 亚洲五月天婷婷在线| 激情影院丁香五月| 日本99视频| 欧美A片在线视频免费观看| 免费看无码视频A级| 操操操操操操婷婷五月天| 五月丁香婷婷激情| 啪啪91| 亚洲日韩成人三级av| 99热精品网| 国产激情综合五月久久| 99热这里只有精品最新网址| www色五月| 午夜不卡久久精品无码免费 | www夜夜操com| av在线资源| 人人操人| 精品综合久久久久久五月天| 色婷婷19| 久久九九99视频| 丁香五月网址| 激情六月日韩| 国产精品久久久久9999小说| 99热日韩| 婷婷五月天美女视频| 婷婷激情九月| 人人操人人看97干| 婷婷在线观看五月天在线视频| 狠狠色 综合色区| 高清不卡一区| 99热久久日本| 五月天婷婷五月| 色狠狠综合| 九九热狼人| 天天爽人人综合免费7799| 婷婷综合网站| 亚洲精品久久久久AV无码| 大天天伊人| 思思久久96热在精品国产,| 五月天婷婷基地综合网| 欧在线一区| 色狠狠999综合网| 欧美va在线观看| 日韩av变天就操逼不卡区| 在线综合91| 99热日韩这里只有精品| 综合婷婷| 久久久精品AV| 99热色婷婷| 久婷婷五月激情| 色七七九九| 久久免费少妇高潮99精品| 婷婷五月大| 五月婷视频| 九九成人电影婷婷| oVV4WIB3vFi8D| 色婷婷丁香五月| 97人妻碰碰碰碰碰久久久久久| 五月丁香婷婷激情| 综合网色| 五月天天天操天天爽夜夜操| 丁香五月婷婷在线| 五月婷视频久久| 欧美超级视频97| 色五月激情图片| 怕怕視頻| 丁香五月人妻| 美女va| 激情综合网址| 91黄址| 色婷婷精品视频| 秋霞av不能| 另类图片婷婷五月天| 久草热8精品视频在线观看| 婷婷97| av色婷婷| 婷婷天堂站| 五月天婷婷綜合院| www999日韩精品| 久久人妻精品| 亚洲成人一区| 丁香五月六月综合激情| 激情综合区| 天天爱天天秀天天做| 五月婷婷 自拍| 99日这里只有精品| 婷婷狠狠爱| 色99热| WWW色色色COM| 夜夜撸日日操| 久9热视频在线观看| 亚洲国产精品VA在线看黑人| 亚洲婷婷激情综合激情999精品| 99热免| 欧美色偷偷大香| 丁香五月色欲| 亚洲无码yw| 久久怡红院| 丁香激情四射| 五月婷婷六月色| 久久99最新| 五月天综合网| 中文字幕性爱丰满| 激情电影五月婷婷| 人妻九九九九| 久久久色婷婷五月天| 久久婷婷视频| 蜜桃婷婷丁香五月天狠狠久久综合| 97人人草| 亚洲小视频| 色丁香五月婷婷综合久久| 婷婷丁香18| 丁香五月影视| 99re在线播放| 五月天伊人网| 欧美色婷婷| 久久综合婷婷| 色色网91| AV在线中文| 99久久久99久久91熟女| 人人爱操| 久色欧美| 狠狠综合| 99re资源在线视频导航| 大香蕉久久久| www.狠狠操.con| 国产精品成av人在线视午夜片| 这里只有精品网| 大香蕉人人人| 99热在线播放| 泰州成人视频| 丁香五月激情婷婷视频| 久久5 9视频免费观看| 狠狠操狠狠操AV| 51XX午夜影福利| 日本欧美成人片AAAA| 新激情五月天色播| 日本美女上人| 婷婷狠狠干| 五月丁香网站| 六月丁香婷婷色综合| 五月做爱| 婷婷金品综合视频| 狠狠五月综合在线| 丁香五月婷婷狠狠色| 日韩黄色中文字幕| 婷婷丁香六月| 五月丁香婷婷三级| 亚洲成人网无码| AV片在线观看| 婷婷综合五月| 色五月天丁香婷婷| 国产精品A片| 色色激情| 天天爽天天做| 激情五月黄色小说| 五月婷婷导航| 激情综合网激情五月俺也去| 五月丁香777| 狠狠色 综合色区| 婷婷婷久久久| 97超级碰人人| 欧美交换配乱吟粗大25P| 5月丁香啪啪啪| 丁香五月六月久久综合 | 深爱激情五月天婷婷网| 色色五月婷婷| 9久9久| 99re在线播放| 国产成人+综合亚洲+天堂| 国产精品久久久丁香五月八戒视频| 色婷婷五月综合在线| 国产精品99久久久久久久女警| 免费精品99| 逼逼AV| 无码人妻激情| 日韩无码人妻一区二区| 日日干四虎| 97久久人人操| AVDV久久| 五月天激情美女久久| 久草婷婷| 色噜噜夜夜夜综合网| 亚洲六月色| 五月天激情视频| 亚洲第一综合| 久久99性爱| 五月丁香婷婷AV天堂| 九九大香视频| 影音先锋 一区| 四色女婷婷| 性韩日色婷婷五月天激情啪啪XXX| 国产在线视频1234| 日韩av免费版| 免费精品99| 五月天婷婷无码| 日本九九视频| 高清无码网址| 色5月丁香婷婷| 天天爽天天爽天天爽天天爽天天爽天天爽天天| 26uuu精品一区二区| 在线亚洲综合网| 666555。COm毛片| 午夜色婷婷| 久久久激情视频| 思思热视频| 天天成人丁香美女AV| 丁香婷婷五月天激情四射| 色五月婷婷操逼| 九九久久久综合| 激情五月成年| 成人.在线日韩| 桃色五月天| 第五色婷婷| 亚洲成人在线免费| 久久性视频| 久久99热这里只频精品6学生| 色综合射婷婷| 天天做天天爱天天爽综合网| 五月天婷婷激情小说电影| 婷婷亚洲色| Va另类视频| 激情婷婷五六月天| 五月丁香婷婷激情在线| 精品99网站| 婷婷六月综合在线| 色五月开心开心五月激情五月| 国产日批视频| 九九热这里只有精品556| 在线中文字幕视频| 婷五月丁香俺| 色婷婷成人影片| 五月丁香色婷婷伊人| 久久五月天婷婷视频| 亚洲网站在线鸭子av| 色色五月婷| 狠狠搞五月天| 天天日人人| 春色激情第四色| 色狠狠伊人久久五月丁香| 亚洲精品操一操、噜一噜、摸一摸、爽 | 久久综合综合久久| 99思思在线视频| 99精品在线观看| 久久视频66| 色丁香综合影院| 色五月五月天| 99re热视频这里只精品5| 天天爽天天摸人妻综合网| 夜夜夜夜夜操| 日韩久久色| www.婷婷.com| 日韩av手机在线观看| 99久操视频| 久久综合综合综合| 久久多色| 五月丁香拍拍激情综合| 婷婷五月开心中文字幕在线| 色色网站| 天天噜噜| 色噜噜丁香| 看逼中文字幕| 超碰99在线观看| 五月天亚洲最大成人| 日韩操人| 亚洲网站观看视频| 9999热在线免费观看| 亚洲精品国产成人AV在线| 五月激情丁香五月| 色综合色色色色色| 99ri在线| av中文网| 婷婷五月综合网| 日日夜夜狠狠婷婷色| WWW.桔色成人.COM| 久热黄色| 久久激丁香| 六月激情丁香一道本7777| 九九色影院| 婷婷的五月天另类视频| 婷婷久久色| 色五月婷婷综合| 玖玖色综合色| 五月综合久久| 久久人妻视步| 色色色99| 综合九九中文字幕| 色五月开心五月激情五月| 色爱五月天| 激情99热| 毛片九九九九九九九九18| 日韩精品一品二区三区的使用体验| 无码色色色色色| 亚洲激情综合五月婷婷啪啪| 狠狠干,狠狠操| 六月激情婷婷| 99热费观看| 五月花成人网| 欧美色色色色色| 五月婷婷啪啪啪啪| 欧美一级色| 五月天综合影院| 狠狠搞狠狠操| 神马欧美精| 五月婷人妻| 情色五月天网站| 天天干夜夜b| 日本色久| 五月天久久色| 日木狠狠干| 婷婷色爱| 欧美叉叉叉BBB网站| 91狠狠综合网| 人妻久久久久久久| 日本WwW色偷偷丁香花久久久京东热| 色色丁香婷婷综合| 久久六月综合| 久久婷婷一级片| 婷婷丁香久久| 色婷婷久久| 9久热精品在线视频| 狠狠色狠狠| 激情五月丁香六月综合AVXXXX| 九九热99热| 9热在线视频| 天天爱天天日| 超碰人人艹| 91久久国产自产拍夜夜91久久精品文字>91麻豆精品国产 | 丁香五月天堂网| 婷婷五月色惰| 色情综合网| 免费视频WWW在线观看网站| 97热精品| 九月色婷婷综合| 99免费超碰在线| 亚洲色五月| 婷婷五月丁香超碰| 丁香五月天天| 永久AⅤ1| 欧美久久九九| 丁香五月婷婷亚洲另类| 天天天天干| 婷婷综合| 色五月婷婷久久| 国产性爱一级| 五月天丁香| 成人无码中文| Caoporn公开| 五月丁香在线国产| 国产乱人偷精品人妻A片| 色热久资源| 热九九精品| 色伊人啪| 激情久久肏屄视频| 亚洲成人无码网站| 六月婷婷五月天| 超级碰碰碰久久网站视频| 新激情五月开心五月婷婷五月丁香五月| 丁香五月天啪啪| 综合五月婷婷| 五月婷婷香| 成人视频一区| 色色A| 久操婷婷| 天天草天天爽| 狠狠大香婷婷爱| 色色色色网| 九九综合色| 91九色国产在线| 啪啪操操| www.天天干| 激情图片99| 99九九玖玖| 久久9RE热视频精品98| 97热这里只有精品| enecarbon-materials.comWu染请涟系Bao护@wip1688 | 开心五月深爱五月婷| 国产精品久久久久久妇女6080| 天天干天天日天天插| 国产成人AV| 九热视频这里只有精品| 天天婬色综合| 殴美综合激情五月天免费视频| 色婷婷在线影院| 强伦轩人妻一区二区电影| 中美月韩免费A片| 99婷婷| 亚洲九区| 啪啪一区| 婷婷五月骚厕所| 激情五月天com| 九九精品系列| 99毛片| 亚洲激情综合| 精品亚洲国产成AV人片传媒| 婷婷五月天高清无码| 丁香五月激情综合婷综| 色久九| 久久婷婷激情五月天一区二区| 无码日本精品XXXXXXXXX | 五月婷婷九月婷婷九月婷婷| 91婷婷五月丁香碰| 亚洲热视频| 五月婷婷综合色啪首页| 《丁香激情综合久久伊人久久》影视在线观看 -高清预告手机免费播放 -三妹影院 | 色婷婷综合久久久久| 九九热最新| 欧美色图天堂网| 欧美人与性动交CCOO| 久久在线人妻| 色婷九九九| 人妻人人操| 婷婷 激情 五月| 久久se 综合网| 另类激情首页| 激情五月天噢美| 久久五月婷综合| 色九亚洲| 99色视频在线观看| 99人人操人人爱久久久| 99热这里| 五月色综合| 精品人妻伦| www.九月婷婷丁香.com| 六月婷婷五月天| 激情丁香网| 9精品视频在线| 99这里有精品| 激情五月婷黄版| 五月婷婷五月丁香综合| 岛国操B不卡在线| 久9视频| 超碰1999| www.精品99| 中文字幕黄色电影网址| 婷婷97| 26uuu成人网| VA婷婷| 国产亚洲色婷婷久久99精品9j| 九九热这里只有精品6| 五月丁婷婷| 香焦网五月天| 婷婷五月激情四射手| 国产成人+综合亚洲+天堂| 丁香五月综合亚洲| 777色婷婷爱五月| 丁香五月激情五月| 五月天婷婷激情干干| 婷婷九月狠狠色| 欧美成人AAA片一区国产精品| 伊人网碰碰| 国产另类综合| 97亚洲色 torrent magnet| 色爱综合五月| 国产伦亲子伦亲子视频观看| 久草五月| 五月天色综合| 秋霞三及片| 五月网激情| 超碰在线观看9| 97干干干丁香| 激情六月婷婷| 久久婷婷色综合| 99日这里只有精品| 色丁香综合影院| 五月丁香999| 午夜丁香 婷婷| 黄色中文字目| 激情五月综合网| 成年人看Va免费视频| 五月丁香婷婷色色| 婷婷色五月开心五月| 九热网站| 影音先锋男人女人| 九九热最新| 五月天久久婷婷| 午夜丁香五月天综合| wwccc久久久| 免费成人va| 久久精品视频99| 97超碰在线观看免费| 久久综合26p| 国产又黄又爽又色的免费| 另类小说五月天| 婷婷激情视频| 综合五月丁香六月婷婷| av在线色五月丁香婷区久| 五月综合婷婷开心网| 五月激情丁香五月| 久久久婷| 五月丁香色情| 激情五月综合| 色色综合网站| 婷婷精品| 激情五月综合网| 色丁香久久| 91九色丨国产丨爆乳| 亚洲欧洲小视频9| 婷婷狠狠爱| 97干在线免费| 九九成年视频| 99丝袜精品视频网站| 五月丁香亚州综合网| 91人妻九色大屁股| 天天色凹凸| 色情激情五月婷婷| 99色免费观看全部| 99国产97在线,| 国产操逼视频网站| 99青青草99| 久久曰9| 日韩熟女啪啪视频| ww超碰在线| 秋霞少妇毛片| 色婷婷a| 丝袜人妻| 最新激情五月天| 五月激情综合五月| 色五月av伊人| 婷婷五月天成人影片| 性天天中文网| 五月婷婷丁香俺日污视频| 五月婷在线观看| 色噜噜97视频在线观看| 婷婷丁香在线| 天天弄天天操| 欧类av怡春院| 任你干线上免费视频有3吗| 99re视频在线| 91精品人妻少妇无码影院| 影音先锋噜一噜| 91九色在线| 婷婷五月天天天日日夜夜| 五月婷婷丁香伦理网| 三级大香蕉网| 99视频在线观看网址| 日韩久久色| 香蕉婷婷| 4399无码视频二区| 五月天久久网站| 丁香久月| 人人色人人摸人人看| 日日干夜夜撸夜夜骑 | 性做久久久久久久免费看| j五月香在线| 色射7856五月天激情四射| 毛片新网地| 丁香五月AV在线| 五月激情丁香| 婷婷无码视频| 少妇高潮呻吟A片免费看软件| 天天日天天插| AV亚洲在线| 婷婷射图| 天色综合网站| 新激情五月天天在线网| 精品人妻伦一二三区久久| 91夫妻视频| 亚洲精级| 激情AV| 丁香激情六月天婷婷| 色五月天成人| 日韩九区| 婷婷丁香综合在线| 五月婷成人| 激情综合色婷婷啪啪六月天| 四虎成人精品永久免费AV九九| 久久精品99国产精品日本| 色色丁香色五月| 久久婷婷五月综合色奶水99啪| 婷婷丁香午夜综合影视| 五月天激情丁香| 午夜69成人做爰视频| 亚洲成人九九九| 狠狠色色| 激情色色色| 激情五月综合| 黄久久久| 天天射天天射一道本日本社区 | 日本精品99| 99热精地址| www.婷婷五月| 亚洲AV成人无码精品| 久久久久久久久久8888| 五月丁香六月婷婷网站| 久久精品人妻| 人橾人| 色色婷婷综合网| 狠狠色丁香| 天堂在线婷婷| 婷婷六月丁香激情综合| 激情丁香九九五月综合网| www.91五月| 狠狠色丁香久久久婷| 这里只有精品1| 精品无码久久久久久久久| 玖玖婷婷综合| 色色色.COM| 欧美成人AAA片一区国产精品| 国产av影片| 淫荡工a| 六月丁香啪啪| 狠狠综合久久| 激情五月天婷婷| 91碰人人| 丁香伊人激情| av狠狠操| 亚洲旡码| 久久综合五月天| 国产精产国品一二三在观看| aaa丁香五月天| 久99久精品| 激情淫乱男女| 五月天婷婷青青草| 无码少妇高潮喷水A片免费| 丁香五月综合婷婷| 婷婷五月激情图片| 六月婷婷天堂| 夜夜操狠狠操天天操| 狠狠色噜噜狠狠狠888| 欧美日本国产欧美日本韩国99 | 丁香97综合| 日本成人噜噜| 无码 av电影| 亚洲综合色色| 男人天堂99| 国产精品人妻在线网址| 婷婷久久综合久色| 天堂美国久久| 日日爽天天| 天天日天天久久青青| 激情深爱婷婷网| 亚洲激情五月天| 中文字幕激情综合| 色五月婷婷九月| 99啪啪骑| 五月丁香色六月激情干大屄| 日韩有码一区| 996日日爱| 第九色区AV在线| 五月天成人在线| 日韩在线视频9色| 狠狠干激情五月| 午夜无码熟熟妇丰满人妻 | 色婷婷五月天激情| 色婷婷大香蕉| 成人亚洲精品| 九九热AV| www.激情五月天。com| 99色免费观看全部| 狠狠舔| 9+1视频网址| 中文久久久人妻| 亚洲V国产V欧美V久久久久久| 99热视| 精品一二三区久久AAA片| 亚洲开心激情网| 婷婷亚洲色| 五月激情精品视频| 99精彩视频网站在线| 成人网丁香五月| 九九99精品免费播放| 婷婷视频在线| 影音先锋男士资源网一区| 婷婷五月天堂一本在线| 亚洲第一影院高清无码网站| 丁香五月天堂网| 91ncm视频| 激情五月丁香五月| 久久丁香五月婷婷激情综合网| 欧美成人精品A片免费一区99| 天天摸,天天爽| 4399无码视频| 五月婷婷丁香综合| 中文字幕性爱视频| 9l视频自拍九色9l视频自拍九色9l社区 | 色99视| 欧美精品啪啪| 综合激情五月四射婷婷| 精品影院| 日本成人小说婷婷六月| 亚洲V国产V欧美V久久久久久| 天天狠狠色综合| 亚洲最大视频网站| 99a级片| 婷婷五月花| 丁香五月色| 提提热五月天婷婷| 99小视频在线观看| 99ri在线视频| 婷婷五月天.com| 色综啪啪| 久9精品视频| 人人爽人人射-美女久久久久久久久久-成人AV| 亚洲精品又粗又大又爽A片| 人妻自慰高清合集| 91婷婷色| 久久99国产综合精品免费 | 人妻丰满精品一区二区A片| 夜夜爽天天日| 热久国产| 国产美女无遮挡裸体毛片A片| 婷婷丁香五月亚洲免费| 激情综合网址| AA片在线观看视频在线播放| 欧美丁香婷婷五月天| 五月天婷婷av| 男女啪啪做爰高潮无遮挡| 亚洲第79页| 五月天婷婷綜合院| 欧美经典片免费观看大全| 久久人妻伦理| www.激情| 五月激情四射网站| 99热爱爱干干日| 五月色婷婷AV| 99久扒热| 大香蕉综合视频在线| 久久99精品久久久久久噜噜| 日日操夜夜操狠狠操| 97香蕉人人在线观看| 五月婷婷激情综合| 综合激情视频| 九九视频这里是精品五月| 影音先锋综合网| 天天肏视频| 日本熟女一区二区| 五月色色色| 亚洲乱码日产精品BD| 激情综合99| 久热婷婷综合| 日本少妇AA一级特黄大片| 狠狠色狠狠| 精品自拍99| 五月天婷婷成人网| 婷婷色激情五月天| 色五月婷婷久久| www.91AV.com| 99热超碰| 九九热re99re6在线精品| 色婷婷综合五月| 秋霞A V毛片| 伊人喵咪a V| 天天干天天操天天爽| 五月婷婷亚洲| 夜夜夜夜做天天天做无码视频| 九九色色色| 激情色五月天| 亚洲视频一区| 亚洲av免费在线| 国产成人99久久亚洲综合精品| 79亚洲精品少妇| 成人电影在线免费试看| 另类婷婷五月天啪帕帕| 久久HD| 九九这里都是精品| 婷婷激情小说网| 综合色吧| 三级av在线| 99综合网| 色色色地址| ji'qi'luan'ren'lun| 综合亚洲六月婷婷在线| 欧美日韩国产伦精品日韩人妻一| 超碰熟女农村在线69| 午夜丁香| 亚洲无码11| 日韩1区2区| 五月婷婷激清网| 草美女在线观看视频在线播放| 97操视频| 久草a片| 9一精品视频观看| 激情5月婷婷| 99色综合| 狠狠色综合网| 激情婷婷久久| 婷婷五月色播| 色5月婷婷| 日韩精品一区二区三区,四区,五区视频| 久久草大香蕉| 久久九九@| 丁香五月成人婷婷| 丁香六月情| 色丁香影院| 日韩99精品| www.com操| 婷婷激情六月综合| 婷婷丁香六月综合激情站| 91超碰在线观看| 五月婷婷啪啪网| 玖玖在线| 欧美图片丁香五月天| AV亚洲在线| 人操91在线| 色99欧洲色19| OYIWbGcPu8H| 九九热这里只有精品9| 国产美女无遮挡裸体毛片A片| 91日本在线观看| 九九热精品| 来吧亚洲综合网| 国产精品色色| 激情五月综合亚洲另类| 婷婷久久五月天| 日韩999| 97色在线| 欧美性生交XXXXX无码小说| 中国丰满熟女A片免费观| 日本三级日本三级99| 国产成人网址| 96精品成人无码A片观看金桔| 666555。COm毛片| 琪琪布丁香社区激情五月天| 九九九激情网| 日本A片一区| 丁香婷婷色情| 激情五月综合网最新| 亚洲丁香花色| 九九激情网| 超碰99在线观看| 婷婷伊人綜合中文字幕| 丁香啪啪| 涩综合在线| 丁香六月色情| 丁香五月六月婷婷怡红院| 思思re99视频在线观看| 久久色五月天激情小说| 五月婷激情| 九九热99热| 超碰99资源站| 色啪网| 五月天激情小说| 五月桃花网综合| 9999综合99综合人| 婷婷操久久| 啪啪色激情五月天| 五月婷婷,六月激情| 99日这里只有精品| 色色色色色色网| 亚洲啪啪网| 丁香五月伊人| 人人操超碰| 超碰资源在线| 色八月婷婷| 久热这里只有精品视频6| 色中色综合| 婷婷五月天激情小说| 日日干日日| 99热色综合| 丁香五月性爱| 情欲综合网| 久久久久久人妻久久久久久久久久人妻久久久 | 久热这里只有精品在线观看| 天天成人综合视频| 天天在线XXX| 99精品网| 久久一操| 99热 这里只有精品 国产 日韩| 99er免费在线观看| 第五色婷婷| 另类激情五月| 欧洲电影在线观看免费版英语版| 色吧婷婷五月亚洲| 亚洲激情久久| 色婷婷99| 婷婷综合另类| aaaaa黄色| 久久久精品人妻录| 久久人人九九| 激情AV网| 色情久久久| 亚洲精品操一操、噜一噜、摸一摸、爽 | 影音先锋 91工厂| 五月婷婷六月丁香在线| 欧美人妻一区二区| 九色视频九色九色91jiuseshipin| 99精品人人| 婷婷丁香五月激情中文字幕版| 色五月天电影| 久久伊人五月天| 午夜激情四射影院| 五月婷婷九九热| 五月丁香 久久久| 玖玖热视频| 午夜大香蕉| 久久久久久久久久久-久五月天婷婷| 一本色道久久综合狠狠躁小说| 五月丁香网视频| 99精品大片| 综合婷婷| 亚州综合色| 丁香六月 婷婷六月| 五月天激情亚洲| 思思精品视频| 丁香花成人区| 电影《战争与艾拉》免费观看| 丁香六月情| 丁香六月综合激情| 激情综合国产| 在热视频精品| 亚洲操人| 玖玖激情五月天| 玖玖资源天天无码| 激情五月天色色网| 秋霞少妇毛片| 99久久成人| 26uuu| 狠狠色丁香久久婷婷综合五月| 婷婷五月天伦理| 亚洲AV人人操| 久久人视频| 五月天中文网| 久久久久人妻| 色色色地址| 涩婷婷五月天| 无码激情AAAAA片-区区| av在线免费网站 | 色久婷婷网| 色丁香五月婷婷| 91丨九色熟女丨首页| 狠狠狠狠狠草| www久久久| 婷婷94s| 天天操九九插| 激情综合婷婷| 8区视频在线| 久久人妻视频| 日本天堂网站99| 激情婷婷综合| 久99热| 久9热| 色99日韩| 看全色黄大色大片| 婷婷射丁香| 人妻有码乱操| 婷婷激情欧美| 少妇熟女视频一区二区三区| 九九热这里只有精品23| 五月天播播中文字幕| 久久月天堂| 操你av| 日本V在线观看不卡视频网站| 综合激情开心五月| www.久久爱| 夜夜资源站| 丁香婷婷情色五月天| 丁香五月大香蕉AV| 九九热精品6| 欧美久久九九| 丁香婷婷视频一区二区| 丁香六月天婷婷色| 五月婷婷无码专区| 久99视频| 日日日日做夜夜夜夜无码| 26uuu精品一区二区| 五月丁香婷婷色色| 五月丁香免费视频| 91超碰在线观看| 五月天激情网图片| 伊人久热91网| 狠狠草狠狠草| 天啪色| 这里只有精品无码| 婷婷爱五月| 中文久久婷婷| 欧美三级黄色片久久| Av九九| 色情五月婷婷| 狠狠干婷婷| 99热综合| 五月丁香激情综合| www色婷婷久久综合久色 | 婷婷五月丁香性爱| av性爱网站| 九九久久玖玖爱| 日韩AAA| 婷婷色五月91啪啪| 99在这里有精品| 精品动漫 无码av| 婷婷五月天影院| 激情婷婷丁香五月天| 99热最新网址| 五月情丁香色| 99热在线观看| 婷婷激情社区| 97热久久五月婷婷| 99热日韩| 综合激情伊人影视在线| 丰满人妻一区二区三区| 久久机热这里只有 | 白人荫道BBWBBB大荫道| 99热国产这里只有| 国外亚洲成AV人片在线观看| 五月天艹天天| 久久婷婷青青草| 五月丁查人人| 久99热在线观看| 人人摸人人摸| 六月丁香婷啪射| 色婷婷av综合网| 色婷婷WWW| 亚洲激情综| 91免费看片| 狠狠干无码| 久久狠狠色| 日韩无码亚欧无码| 综合成人小说婷婷| 丁香五月综合婷婷| www99热| 激情网综合| 久久精品63| 99re6久热只有精品6在线直播| 五月丁香综合伦理片| 3DAV亚洲香蕉久久 一区二区| 大香蕉久久婷婷| 韩日在线熟女| www天堂99| 人妻视频在线| 婷婷97狠狠干| 91婷婷丁香五月亚洲| 激情床戏| 婷婷丁香五月天婷婷| 天久综合91综合首页| 亚洲婷婷欧美婷婷| 99热99在线| 五月九九综合| 丁香婷婷网| 激情啪啪五月天| 欧美三级大片AA在线看| 超碰在线精品| 天天综合情| 亚洲av电影在线| 婷婷激情综合| 夜夜人妻五月天| 91操在线| 另类激情综合| 色久五月天| 五月丁香A片| 丁香五月欧美婷婷| 亚洲中文av| 久久96热| 久久婷婷人人| 偷偷与邻居做爰完整视频| 久久久天天啊| 婷婷的激情五月| 伊人久久大香线蕉AV最新午夜| 国产成人av在线播放| 性99网站| 中文字幕 码精品视频网站| 97伦乱| 激情五月天婷婷| 99综合视频| 99爱在线| 亚洲乱码w在线观看| 国产偷人爽久久久久久老妇APP | 久久久婷婷| 色五月婷婷天堂| 天天操夜夜操| 怡红院视频| aaaaaa片| 黄网在线观看免费| 欧美成人在线观看| 欧美色图天堂网| 九九久热| 激情5月婷婷狠狠干| 操逼视频一区| 日韩青青| 99热亚洲| 五月色影院| 婷婷五月婷婷五月天| 五月婷婷啪啪网| av一级棒av| 丁香五月性爱| 99性爱| 五月婷在线视频免费播放| 99er日韩| 九九热99熟女| BlACKEDRAW视频一区二区| 婷婷丁香五月综合|