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

深耕商務建站與企業(yè)官網(wǎng)運營的一線實戰(zhàn)洞察。

CNN-GRU回歸預測與SHAP可解釋性分析完整實踐

CNN-GRU回歸預測與SHAP可解釋性分析完整實踐 之前在做回歸預測任務時最難受的點往往不是模型效果上不來而是模型給出一個預測值之后很難向業(yè)務方解釋清楚“為什么是這個值”。為了解決這個問題我采用了CNN-GRU 混合模型作為預測主體并結合SHAP 值分析每個特征對預測結果的貢獻。網(wǎng)上關于 CNN-GRU 做分類或回歸的例子很多但不少文章只貼代碼、不解釋維度變化也沒有把 SHAP 解釋的完整流程整合進去。這篇文章把我實際使用的代碼、訓練流程和可解釋性分析整理成一套可直接運行的教程希望對正在做回歸預測的你有所幫助。本文覆蓋以下內(nèi)容CNN-GRU 混合模型的核心原理回歸預測數(shù)據(jù)的滑窗構建與歸一化方法使用 PyTorch 搭建 CNN-GRU 回歸模型模型訓練、評估指標解讀SHAP 值的計算與可視化分析常見報錯和工程化建議。1. 背景與核心概念1.1 CNN-GRU 是什么CNN-GRU 是由卷積神經(jīng)網(wǎng)絡CNN和門控循環(huán)單元GRU組合而成的混合網(wǎng)絡結構。CNNConvolutional Neural Network善于提取局部特征。在一維時間序列數(shù)據(jù)中卷積核可以捕捉相鄰時間步之間的局部模式比如短期的趨勢變化、周期性波動等。GRUGated Recurrent Unit是 LSTM 的簡化變體通過更新門和重置門控制信息的保留與遺忘。GRU 適合建模長距離依賴關系同時參數(shù)量比 LSTM 更少訓練效率更高。將兩者串聯(lián)是一種常見做法先用 CNN 從原始輸入中提取局部特征再把 CNN 的輸出按照時間順序送入 GRU讓 GRU 繼續(xù)捕捉時間維度上的長期依賴。1.2 為什么用 CNN-GRU 做回歸預測很多真實場景中的回歸預測面對的是多變量時間序列數(shù)據(jù)比如根據(jù)過去 24 小時的多維環(huán)境數(shù)據(jù)預測未來氣溫根據(jù)歷史交易數(shù)據(jù)預測下一時段銷量根據(jù)設備傳感器數(shù)據(jù)預測剩余壽命根據(jù)歷史負荷數(shù)據(jù)預測未來用電量。這些數(shù)據(jù)通常同時具有“局部相關性”和“長期依賴性”。如果只用 CNN模型感受野有限難以建模長期依賴如果只用 GRU序列較長時訓練速度更慢而且對局部特征的提取不夠直接。CNN-GRU 先做局部特征抽象再做時序建模在很多回歸任務上效果優(yōu)于單一模型。1.3 為什么引入 SHAP 值回歸預測模型光有精度還不夠。當我們想判斷“哪個特征對預測結果影響最大”或者“某條預測為什么偏高”時就需要對模型做可解釋性分析。SHAPSHapley Additive exPlanations是一種基于博弈論 Shapley 值的模型解釋方法。它的核心思想是每個特征對預測結果的貢獻可以量化且所有特征的貢獻之和等于模型預測值相對于基線預測值的偏離程度。在復雜深度學習模型中SHAP 可以告訴我們哪些特征對預測結果影響最大樣本級別上某個特征取值是拉高了預測值還是拉低了預測值特征與預測結果之間是正相關還是負相關。所以CNN-GRU 負責把預測精度做到位SHAP 負責把預測結果解釋清楚兩者結合是一條很實用的工程路徑。2. 環(huán)境準備與項目結構2.1 運行環(huán)境說明下面的代碼以 Python 3.9 為例需要安裝以下依賴。具體版本請根據(jù)你的實際環(huán)境調(diào)整本文重點演示實現(xiàn)思路pip install numpy pandas matplotlib scikit-learn torch shap如果你使用 GPU 版本的 PyTorch 訓練需要提前安裝對應 CUDA 版本的 torch如果只是學習演示CPU 版本也能跑通。2.2 項目結構建議按照下面的目錄組織代碼cnn_gru_regression/ ├── main.py # 完整訓練與評估流程 ├── model.py # CNN-GRU 模型定義 ├── data_utils.py # 數(shù)據(jù)生成與滑窗處理 ├── explain.py # SHAP 可解釋性分析 └── requirements.txt # 依賴清單如果你希望代碼更集中也可以把全部內(nèi)容寫在一個腳本里。為了便于閱讀本文按照功能拆分講解最后你可以把代碼匯總到一個文件中運行。3. 回歸預測數(shù)據(jù)準備3.1 使用模擬數(shù)據(jù)快速驗證我們先寫一個模擬數(shù)據(jù)生成函數(shù)。這個函數(shù)會生成 4 個與目標值存在線性關系的時間序列特征并加入少量噪聲。# 文件路徑data_utils.py import numpy as np import pandas as pd def generate_demo_data(n_samples1500): 生成多變量回歸預測模擬數(shù)據(jù)。 參數(shù) n_samples: 樣本點數(shù)量 返回 pandas.DataFrame包含 4 個特征列和 1 個目標列 t np.arange(n_samples) # 構造4個特征每個特征有不同周期和噪聲 feature1 np.sin(2 * np.pi * t / 50) 0.1 * np.random.randn(n_samples) feature2 np.cos(2 * np.pi * t / 30) 0.1 * np.random.randn(n_samples) feature3 0.02 * t 0.2 * np.random.randn(n_samples) feature4 0.5 * np.sin(2 * np.pi * t / 7) 0.2 * np.random.randn(n_samples) # 目標值與特征之間保持線性組合方便后續(xù)用 SHAP 驗證解釋效果 target ( 2.5 * feature1 1.5 * feature2 0.8 * feature3 - 1.2 * feature4 0.3 * np.random.randn(n_samples) ) df pd.DataFrame({ feature1: feature1, feature2: feature2, feature3: feature3, feature4: feature4, target: target, }) return df這個方法的好處是數(shù)據(jù)可以自己生成代碼復制后能直接運行。如果你有自己的數(shù)據(jù)集只需要把“讀入 DataFrame包含特征列和目標列”這一步替換掉即可。3.2 滑窗樣本構建回歸預測里我們通常不能直接用單條樣本做預測而是用過去一段時間的特征序列預測下一個時間點的值。這個“過去一段時間”就叫做時間窗口對應的處理方式叫“滑窗”或“滾動窗口”。# 文件路徑data_utils.py def create_sequences(data, feature_cols, target_col, window_size24): 構建滑窗樣本。 參數(shù) data: DataFrame包含特征列和目標列 feature_cols: 特征列名列表 target_col: 目標列名 window_size: 時間窗口長度 返回 X: shape 為 (樣本數(shù), window_size, 特征數(shù)) 的數(shù)組 y: shape 為 (樣本數(shù),) 的數(shù)組 X, y [], [] for i in range(len(data) - window_size): X.append(data[feature_cols].iloc[i: i window_size].values) y.append(data[target_col].iloc[i window_size]) return np.array(X), np.array(y)這里需要注意窗口長度window_size決定了模型每次能看到多長的歷史信息。窗口太短會丟失長期依賴窗口太長會增加計算量也可能會引入過多噪聲。一般可以先通過實驗對比不同窗口大小再確定適合業(yè)務場景的值。3.3 時間順序切分與歸一化時序預測和普通機器學習不一樣不能隨機打亂數(shù)據(jù)再切分否則會造成“未來信息泄漏”。也就是說如果用后面的數(shù)據(jù)去訓練模型、預測前面的數(shù)據(jù)評估結果會虛高。這里我們按時間順序前 80% 作為訓練集后 20% 作為測試集。def load_train_test_data(window_size24, test_ratio0.2): 生成數(shù)據(jù)并切分為訓練集和測試集按時間順序切分。 feature_cols [feature1, feature2, feature3, feature4] target_col target data generate_demo_data(1500) split_idx int(len(data) * (1 - test_ratio)) train_df data.iloc[:split_idx] test_df data.iloc[split_idx:] # 分別對訓練集和測試集做歸一化 # 注意歸一化參數(shù)只能用訓練集 fit測試集直接 transform from sklearn.preprocessing import MinMaxScaler scaler_X MinMaxScaler() scaler_y MinMaxScaler() train_X_scaled scaler_X.fit_transform(train_df[feature_cols]) train_y_scaled scaler_y.fit_transform(train_df[[target_col]]) test_X_scaled scaler_X.transform(test_df[feature_cols]) test_y_scaled scaler_y.transform(test_df[[target_col]]) train_df_scaled pd.DataFrame(train_X_scaled, columnsfeature_cols) train_df_scaled[target_col] train_y_scaled test_df_scaled pd.DataFrame(test_X_scaled, columnsfeature_cols) test_df_scaled[target_col] test_y_scaled # 構建滑窗樣本 X_train, y_train create_sequences(train_df_scaled, feature_cols, target_col, window_size) X_test, y_test create_sequences(test_df_scaled, feature_cols, target_col, window_size) return X_train, y_train, X_test, y_test, scaler_y關于歸一化有兩個容易踩的坑整個數(shù)據(jù)集只 fit 一次MinMaxScaler然后在所有數(shù)據(jù)上 transform這在時序場景里是不可取的。因為訓練集之外的“未來數(shù)據(jù)”參與了歸一化參數(shù)計算相當于把未來的分布信息提前暴露給了模型。目標變量y也需要歸一化。深度學習模型直接回歸一個量綱較大的數(shù)值時損失值可能很大訓練不穩(wěn)定。這里我們把目標值歸一化到[0,1]區(qū)間訓練結束后再把預測結果反歸一化。4. 構建 CNN-GRU 回歸預測模型4.1 模型結構定義下面是模型的完整定義。# 文件路徑model.py import torch import torch.nn as nn class CNNGRU(nn.Module): def __init__(self, n_features, hidden_size64, num_layers1, dropout0.1, output_size1): super(CNNGRU, self).__init__() # 1D 卷積層輸入通道為特征數(shù)輸出通道為 32 self.conv1 nn.Conv1d( in_channelsn_features, out_channels32, kernel_size3, padding1 ) self.relu nn.ReLU() self.pool nn.MaxPool1d(kernel_size2) # GRU 層輸入大小是 CNN 輸出通道數(shù) self.gru nn.GRU( input_size32, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout if num_layers 1 else 0 ) # 全連接輸出層 self.fc nn.Linear(hidden_size, output_size) def forward(self, x): # 輸入 x 形狀: (batch_size, seq_len, n_features) # CNN 期望輸入形狀是 (batch_size, channels, seq_len) x x.permute(0, 2, 1) # 經(jīng)過卷積、激活、池化 x self.conv1(x) # (batch_size, 32, seq_len) x self.relu(x) x self.pool(x) # (batch_size, 32, seq_len // 2) # 轉回 GRU 需要的形狀: (batch_size, seq_len, input_size) x x.permute(0, 2, 1) # GRU 前向傳播取最后一個時間步輸出 out, _ self.gru(x) # out: (batch_size, seq_len, hidden_size) out out[:, -1, :] # 取最后一個時間步 # 全連接輸出 out self.fc(out) # (batch_size, 1) return out4.2 維度變化分析很多初學者第一次看這段代碼會卡在維度變化上這里梳理一下操作輸入形狀輸出形狀原始輸入(batch, seq_len, n_features)(batch, seq_len, n_features)permute 轉置(batch, seq_len, n_features)(batch, n_features, seq_len)Conv1d(batch, n_features, seq_len)(batch, 32, seq_len)ReLU(batch, 32, seq_len)(batch, 32, seq_len)MaxPool1d(batch, 32, seq_len)(batch, 32, seq_len // 2)permute 轉置(batch, 32, seq_len // 2)(batch, seq_len // 2, 32)GRU(batch, seq_len // 2, 32)(batch, seq_len // 2, hidden_size)取最后一個時間步(batch, seq_len // 2, hidden_size)(batch, hidden_size)Linear(batch, hidden_size)(batch, 1)需要注意MaxPool1d 的kernel_size2會讓序列長度減半。如果seq_len是奇數(shù)比如window_size25池化后長度會變成12對應關系可能變得不直觀因此建議優(yōu)先使用偶數(shù)窗口長度。4.3 為什么先 CNN 再 GRU這里簡單解釋一下設計動機CNN 的卷積核對局部模式敏感可以自動提取“相鄰幾個時間步之間的組合特征”經(jīng)過 MaxPooling 后序列長度縮短計算量降低也起到一定的特征壓縮作用GRU 接收 CNN 提取的高層特征序列繼續(xù)建模長期依賴最后用全連接層把 GRU 最后一個時間步的隱藏狀態(tài)映射為標量預測值。如果任務本身序列較短、特征較少也可以去掉 MaxPooling只保留卷積和 GRU。示例代碼保留池化是為了展示一種更通用的結構。5. 訓練與回歸評估5.1 數(shù)據(jù)集封裝與數(shù)據(jù)加載器我們使用 PyTorch 的TensorDataset和DataLoader來管理數(shù)據(jù)。from torch.utils.data import TensorDataset, DataLoader import torch X_train, y_train, X_test, y_test, scaler_y load_train_test_data(window_size24) # 轉換為 PyTorch Tensor X_train_t torch.FloatTensor(X_train) y_train_t torch.FloatTensor(y_train).view(-1, 1) X_test_t torch.FloatTensor(X_test) y_test_t torch.FloatTensor(y_test).view(-1, 1) train_dataset TensorDataset(X_train_t, y_train_t) test_dataset TensorDataset(X_test_t, y_test_t) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) test_loader DataLoader(test_dataset, batch_size64, shuffleFalse)這里有一個細節(jié)訓練數(shù)據(jù)加載時shuffleTrue但是測試數(shù)據(jù)shuffleFalse。因為訓練時我們希望每個 batch 的樣本盡量隨機幫助模型穩(wěn)定收斂測試時不需要打亂順序方便后續(xù)計算指標和可視化。5.2 模型初始化與訓練循環(huán)import torch.nn as nn import torch.optim as optim # 固定隨機種子保證結果可復現(xiàn) torch.manual_seed(42) model CNNGRU(n_featuresX_train.shape[2], hidden_size64) criterion nn.MSELoss() optimizer optim.Adam(model.parameters(), lr0.001) epochs 30 for epoch in range(epochs): model.train() train_loss 0.0 for X_batch, y_batch in train_loader: optimizer.zero_grad() y_pred model(X_batch) loss criterion(y_pred, y_batch) loss.backward() optimizer.step() train_loss loss.item() * X_batch.size(0) avg_train_loss train_loss / len(train_dataset) # 每個 epoch 后評估一次測試集 model.eval() test_loss 0.0 with torch.no_grad(): for X_batch, y_batch in test_loader: y_pred model(X_batch) loss criterion(y_pred, y_batch) test_loss loss.item() * X_batch.size(0) avg_test_loss test_loss / len(test_dataset) if (epoch 1) % 5 0: print(fEpoch {epoch 1}/{epochs}, Train Loss: {avg_train_loss:.6f}, Test Loss: {avg_test_loss:.6f})訓練過程中有兩個環(huán)境非常重要model.train()與model.eval()訓練模式會啟用 Dropout 等隨機操作而評估模式會固定這些操作保證測試輸出穩(wěn)定。with torch.no_grad()推理階段不需要計算梯度既省內(nèi)存又加快速度。5.3 回歸評估指標回歸預測常用三個指標MSE、MAE、R2。from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score model.eval() with torch.no_grad(): y_pred_all model(X_test_t).numpy().flatten() y_test_all y_test_t.numpy().flatten() # 反歸一化恢復真實尺度 y_pred_inv scaler_y.inverse_transform(y_pred_all.reshape(-1, 1)).flatten() y_test_inv scaler_y.inverse_transform(y_test_all.reshape(-1, 1)).flatten() mse mean_squared_error(y_test_inv, y_pred_inv) mae mean_absolute_error(y_test_inv, y_pred_inv) r2 r2_score(y_test_inv, y_pred_inv) print(fMSE: {mse:.4f}) print(fMAE: {mae:.4f}) print(fR2: {r2:.4f})各指標含義MSE均方誤差預測值與真實值差值的平方的平均值。MSE 對較大誤差更敏感適合關注極端偏差的場景。MAE平均絕對誤差預測值與真實值差值的絕對值的平均值。它直接反映平均誤差大小單位與真實值一致。R2決定系數(shù)表示模型解釋了目標變量多少方差。R2 越接近 1說明模型擬合效果越好R2 為 0 說明模型與直接預測平均值差不多R2 為負數(shù)說明模型效果比平均值預測還差。反歸一化這一步容易被忽略。因為訓練時對y做了MinMaxScaler所以模型輸出的是歸一化后的值。要計算真實尺度下的誤差指標必須先調(diào)用scaler_y.inverse_transform還原。5.4 可視化預測曲線為了更直觀地觀察預測效果可以把測試集上的真實值和預測值畫成曲線。import matplotlib.pyplot as plt plt.figure(figsize(12, 4)) plt.plot(y_test_inv[:200], labelTrue, linewidth2) plt.plot(y_pred_inv[:200], labelPred, linewidth2) plt.legend() plt.title(CNN-GRU Regression Prediction Results) plt.xlabel(Sample Index) plt.ylabel(Target Value) plt.savefig(prediction_result.png, dpi150) plt.show()如果前 200 個測試點上兩條曲線整體趨勢一致說明模型已經(jīng)學到了基本的時序規(guī)律。6. 使用 SHAP 解釋模型6.1 SHAP 原理簡介SHAP 的核心思想是 Shapley 值。它把模型預測值拆解為“基線值 每個特征的貢獻值”?;€值通常是訓練集上預測值的平均值。對于一條樣本假設模型預測值為f(x)基線值為E[f(x)]那么有f(x) E[f(x)] sum(每個特征的SHAP值)當一個特征的 SHAP 值為正表示該特征把預測值向上推動SHAP 值為負表示把預測值向下拉低。SHAP 值的絕對值越大說明該特征對這條樣本的影響越強。6.2 DeepExplainer 使用方法對于 PyTorch 模型SHAP 庫提供了DeepExplainer。它適用于深度學習模型計算效率比KernelExplainer更高。# 文件路徑explain.py import shap import torch # 將模型切換到評估模式 model.eval() # 選擇一部分測試樣本作為背景數(shù)據(jù) background X_test_t[:100] # 這里取少量測試樣本做解釋避免計算時間過長 X_explain X_test_t[:10] # 創(chuàng)建 DeepExplainer explainer shap.DeepExplainer(model, background) # 計算 SHAP 值 shap_values explainer.shap_values(X_explain)注意兩點background是背景樣本主要用來估計基線值。數(shù)量不一定要很多50 到 100 條通常就夠用但需要覆蓋訓練集中比較典型的特征分布。shap_values在DeepExplainer中通常返回一個列表。因為模型輸出維度是 1所以我們要看的是shap_values[0]。shap_values[0]的形狀與輸入數(shù)據(jù)一致也就是(樣本數(shù), 時間步數(shù), 特征數(shù))這意味著 SHAP 給出的不僅是“哪個原始特征重要”還包括“哪個時間步上的哪個特征重要”。這比普通表格數(shù)據(jù)回歸的解釋細節(jié)更豐富。6.3 特征重要性可視化如果我們只關心原始特征的整體重要性可以把所有時間步的 SHAP 絕對值求和。import numpy as np # shap_values[0] 形狀: (10, window_size, n_features) shap_values_0 np.array(shap_values[0]) # 對所有測試樣本和時間步求和得到每個原始特征的貢獻 feature_names [feature1, feature2, feature3, feature4] importance np.abs(shap_values_0).sum(axis(0, 1)) # (n_features,) for name, imp in zip(feature_names, importance): print(f{name}: {imp:.4f}) # 排序后可視化 sorted_idx np.argsort(importance)[::-1] plt.figure(figsize(8, 4)) plt.bar([feature_names[i] for i in sorted_idx], importance[sorted_idx]) plt.title(Feature Importance by SHAP) plt.xlabel(Feature) plt.ylabel(Mean |SHAP|) plt.tight_layout() plt.savefig(shap_feature_importance.png, dpi150) plt.show()在這個模擬數(shù)據(jù)里理論上feature1對目標值影響最大因為它的系數(shù)是 2.5。如果 SHAP 結果也顯示feature1的重要性最高說明模型學到的關系和數(shù)據(jù)生成邏輯基本一致。6.4 蜜蜂圖與依賴圖SHAP 庫自帶的summary_plot可以畫出“蜜蜂圖”既能反映特征重要性也能反映特征取值與 SHAP 值的正負關系。由于我們的輸入是三維的滑窗數(shù)據(jù)直接傳入原始X_explain會讓summary_plot難以解釋。為了方便展示我們可以把三維數(shù)據(jù)展平成二維并生成對應的扁平特征名。# 將 (10, window_size, n_features) 展平為 (10, window_size * n_features) X_flat X_explain.numpy().reshape(X_explain.shape[0], -1) # 生成扁平特征名 flat_names [] for t in range(X_explain.shape[1]): for f in feature_names: flat_names.append(ft{t}_{f}) shap_values_flat shap_values_0.reshape(shap_values_0.shape[0], -1) shap.summary_plot(shap_values_flat, X_flat, feature_namesflat_names, showFalse) plt.tight_layout() plt.savefig(shap_summary_plot.png, dpi150) plt.show()蜜蜂圖怎么看橫軸是 SHAP 值。某個點落在正半軸說明該樣本在這個特征上的取值讓預測值升高落在負半軸說明降低。點的顏色表示該特征在當前樣本中的實際大小顏色越紅表示數(shù)值越大顏色越藍表示數(shù)值越小。特征按重要性從上到下排列越靠上越重要。如果你只關心第一個時間步的特征也可以單獨取出對應切片# 只看第一個時間步 shap_summary_first_timestep shap_values_0[:, 0, :] X_first_timestep X_explain.numpy()[:, 0, :] shap.summary_plot(shap_summary_first_timestep, X_first_timestep, feature_namesfeature_names, showFalse) plt.tight_layout() plt.savefig(shap_summary_first_timestep.png, dpi150) plt.show()這種方式適合觀察“最近一個時間步”中哪些特征對預測影響最大。實際應用中你可以根據(jù)業(yè)務需求選擇查看某個時間步或全部時間步。6.5 為什么 SHAP 值要配合業(yè)務解讀SHAP 只能解釋“模型學到了什么”不能保證“真實的因果關系就是如此”。比如某個特征和預測值高度相關但它可能只是間接關聯(lián)而不是直接原因。所以做技術解釋時要把 SHAP 結果當作模型行為的證據(jù)之一而不是因果結論。7. 常見問題與排查思路在實際運行過程中經(jīng)常遇到下面幾個問題。問題現(xiàn)象常見原因解決思路模型訓練 loss 不下降數(shù)據(jù)未歸一化或學習率過大/過小檢查特征和目標值是否做了歸一化嘗試 lr0.001 或 0.0001測試集 R2 很低甚至為負訓練集和測試集數(shù)據(jù)分布差異過大或滑窗窗口太小檢查切分方式增大 window_size檢查數(shù)據(jù)是否存在強非平穩(wěn)性Conv1d 維度不匹配輸入形狀不是(batch, channels, seq_len)在進入卷積前用x.permute(0, 2, 1)調(diào)整維度MaxPool1d 后序列長度異常window_size為奇數(shù)調(diào)整窗口為偶數(shù)或不使用池化層SHAP 計算非常慢背景數(shù)據(jù)過多或者解釋樣本數(shù)量過大減小 background 數(shù)量比如 50 條減小 X_explain 數(shù)量DeepExplainer 報錯模型不在 eval 模式或數(shù)據(jù)類型不是 FloatTensor調(diào)用model.eval()確認輸入 tensor 使用torch.float32預測值始終接近某個常數(shù)模型欠擬合或者目標值分布非常集中增加訓練輪數(shù)調(diào)整隱藏層維度檢查數(shù)據(jù)生成邏輯下面單獨講一個高頻問題訓練時 loss 很低測試時 loss 很高。這在回歸預測中通常表示過擬合。常見解決辦法是增加訓練數(shù)據(jù)量減小模型復雜度比如減少 GRU 隱藏層維度加入 Dropout并在模型定義時對 GRU 多層場景設置dropout引入早停機制當測試 loss 連續(xù)若干輪不再下降時停止訓練。8. 最佳實踐與工程建議8.1 時間順序切分避免數(shù)據(jù)泄漏處理時序數(shù)據(jù)時不能直接使用train_test_split(random_state42)隨機打亂。應該按照時間順序劃分訓練集、驗證集和測試集并且驗證集和測試集都必須是訓練集之后的時間段。這樣才能真實模擬模型在“未來”數(shù)據(jù)上的表現(xiàn)。8.2 歸一化參數(shù)只能來自訓練集標準化的核心原則是scaler只能fit在訓練集上然后transform訓練集、驗證集和測試集。如果對整個數(shù)據(jù)集一起fit測試集的信息就會間接進入訓練過程導致評估結果偏樂觀。8.3 固定隨機種子深度學習模型帶有隨機性比如權重初始化、數(shù)據(jù)加載順序等。在實驗階段建議統(tǒng)一設置隨機種子import random import numpy as np import torch random.seed(42) np.random.seed(42) torch.manual_seed(42)如果使用 CUDA還需要設置if torch.cuda.is_available(): torch.cuda.manual_seed_all(42)這樣才能保證多次實驗的結果可比較。8.4 模型保存與加載訓練完成后可以用torch.save保存模型參數(shù)torch.save(model.state_dict(), cnn_gru_model.pth)加載時先實例化同一個模型再load_state_dictmodel CNNGRU(n_featuresX_train.shape[2], hidden_size64) model.load_state_dict(torch.load(cnn_gru_model.pth)) model.eval()注意這里保存的是模型參數(shù)不包含模型結構。如果你換了一臺機器運行需要保證model.py中的CNNGRU類定義一致。8.5 SHAP 解釋的工程化落地在業(yè)務系統(tǒng)中如果每次預測都要重新計算 SHAP開銷會比較大。你可以把測試集上的 SHAP 特征重要性結果保存下來作為模型的解釋報告也可以在模型服務層預留一個“解釋接口”只在需要分析特定樣例時才調(diào)用 SHAP。8.6 超參數(shù)調(diào)整建議CNN-GRU 中比較關鍵的超參數(shù)包括卷積核大小用于控制局部感受野一般取 3、5、7卷積輸出通道數(shù)控制特征抽象能力常見取值 32、64GRU 隱藏層維度控制時序記憶容量常見取值 32、64、128學習率一般從 0.001 開始訓練不收斂時降低到 0.0005 或 0.0001Batch Size根據(jù)顯存大小和數(shù)據(jù)量調(diào)整常見取值 32、64、128。建議先用小規(guī)模的模型和少量數(shù)據(jù)跑通流程再逐步擴大參數(shù)。這樣能更快定位問題。9. 總結與學習路線這篇文章圍繞CNN-GRU 回歸預測整理了一套完整的代碼實踐使用 CNN 提取局部特征使用 GRU 建模時序依賴使用滑窗和歸一化處理回歸預測數(shù)據(jù)自定義CNNGRU模型完成訓練和評估使用 MSE、MAE、R2 三個指標評估效果使用 SHAP 值的DeepExplainer計算特征貢獻并繪制特征重要性圖和蜜蜂圖。如果你還想繼續(xù)深挖可以從以下幾個方向入手嘗試用Seq2Seq Attention結構做多步回歸預測在 SHAP 的基礎上加入dependence_plot依賴圖分析單個特征與預測結果的關系對比 CNN-LSTM 與 CNN-GRU 在當前數(shù)據(jù)上的效果差異在真實業(yè)務數(shù)據(jù)上測試不同窗口長度對預測效果的影響將模型封裝成 Flask 或 FastAPI 服務實現(xiàn)在線預測和解釋報告輸出。希望這篇文章能幫你跑通 CNN-GRU 回歸預測的完整鏈路也讓你在向業(yè)務方解釋模型時不再無從下手。你可以把代碼保存下來先在自己的數(shù)據(jù)集上試一遍再根據(jù)實際數(shù)據(jù)分布調(diào)整窗口大小和模型參數(shù)。如果遇到本地環(huán)境問題也歡迎對照第 7 節(jié)的排查表格逐步檢查。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
六月丁香婷婷网| 9久热这里只有精品视频| 成功精品影院| 美女精品一级不卡视频| 玖玖色综合| 激情爱爱网站| 99视频自拍| 激情综合网五月| 九九视频在线| 无码人妻激情| 久久免费精彩视频| 国产片色| 97人人操人| 久久人妻伊人| 色碰干| 婷婷五月天中文字幕| 日本激情综合| 丁香五月偷拍| 狠狠久久婷五月| 亚洲成人无码网站| 人妻AV在线| 9热在线观看| 色婷婷色综合激情91| 亚洲综合激情五月久久| www.日日夜夜.com| 99色色网| 亚洲va综合va国产va中文| 一夜福利不卡| 亚洲区1| 天天插,天天射| 五月伊人婷婷999| 五月天婷婷综合| 超碰京东热av男人的天堂| www.成人婷婷综合| 日本69日人视频| 五月婷婷激情| 99在热线免费视频| 色色网站免费在线视频| 婷婷在线中文字幕| 色婷婷综合网站| 九九综合五月欧美| 99热这里只有精品1| 99re热| 伊人五月天在线| 26uuu四色| 婷婷五月天在线观看| 青青操绿aaa一区日v| 艳妇野外情欲放荡HD| 精品久久久久久久久久久久人妻| 婷婷天天五月天| 激情亭亭五月| 五月丁香婷色| 手机在线日韩视频中文字幕| 婷婷五月激情黄色| 五月丁香婷婷基地| 婷婷五月天综合色| 婷婷六月丁香激情| 狠狠色婷| 欧美日韩成人在线| 激情性爱五月| 热久久99视频| 91丨九色丨熟女|新版| 久久人妻精品| 久久五月丁香| 六月丁香婷婷尤物| 五月天久久综合婷婷| 热日韩欧美| 97色五月天| 夜精品无码A片一区二区蜜桃| 蜜臀av无码久久久久久久久| 丁香五月成人| 成人AV中文字幕| 成人精品一区二区三区四区五区| 久久一级片| 婷婷五月天小说| 六月丁香五月天| 婷婷丁香97| 最新高清无码专区| 五月天天天天天天天天天天天婷婷婷| ss99热| 天堂二区| 亚洲日韩一页精品发布| 五月天婷婷基地| 欧洲永久精品| 欧美婷婷色五月网| 午夜色婷婷| 另类在线观看视频| 激情五月婷婷综合网| 手机旧版看人妻1025| 五月天另类小说亚洲| 色色色色色日韩午夜激情| 在线综合网| 99亚州综合精品成人网| 青青草视频福利| 国产成人网站在线观看| 大香蕉人在线65| www.9操| 久久久精品人妻| www.狠狠操.com| 色噜噜夜夜夜综合网| 丁香五月狠狠在线观看| 亚洲亚洲人成综合网络| 这里只有精品视频| 日韩AAAAA| 亚洲婷婷五月天激情| 日日干夜夜撸夜夜骑| 婷婷久热| 99re热在线视频| 久久激情婷婷| 人人操人人添人人摸97| 激情五月天色色色| 七七久久综合| 激情涩播| 射婷婷中文字幕| 天天做夜夜爽| 99视频在线精品| 婷婷五月色激情欧美激情| www.久久66| 六月丁香婷婷综合色播| 天天综合久久| 五月婷婷丁香深深爱| 伊人大香蕉在线视频| 婷婷五月天丁香综合网| 99热免费精品| 99riAV国产精品视频| 青青草视频免费观看| 婷婷五月天久久久| 亚洲精品国产成人AV在线| 热99免费在线| 婷婷午夜激情| 99热思思久| 人人操人人爰人人一天天碰夜夜拍夜夜爽-中国A级毛片天天看天天谢… | 婷婷深爱色五月| 色五月婷婷自拍| 久久综合香蕉国产国产蜜臀AV| 久热超碰| 五月天激情小说| 国产超碰在线| 色五月首页| 九九视频这里只有精品在线播放| 《诡秘之主》在线观看| 4399在线日本A片| 婷婷五月天大香蕉在线视频观看| 亚洲av日韩无码| 啪啪综合| 九九热AV| 五月亚洲激情| 天天操天天日天天操| 五月婷婷久久综合| 激情五月综合ì香亚洲| 丁香婷婷视频一区二区| 天天爽综合| wwwxxx五月婷婷小说| 操逼在线视频| 五月天色视频| 五月丁香六月婷婷综合网站| 五月天狠狠色| 九九五月天| 久久曰9| 婷婷五月天免费99| 91操在线| 五月婷亚洲精品AV天堂| 婷婷丁香五月天在线视频| 1024婷婷综合久久五月天| 五月婷网| 综合婷婷六月| 天天综合图片| 99re鈥哸鈥唙| 成人在线日韩| 天天搞天天色综合| 99亚洲视频| 99热爱爱干干日| 久/久精品99看9| 国产精产国品一二三在观看 | 久久婷婷五月综合色丁香| 色噜噜夜夜夜综合网| 九九伦子片| 国产a视频| 久操热线| 综合综合网| 九色PORNY自拍成人精彩视频| 激情丁香五月婷婷| 天天做天天爱天天高潮| 婷婷激情啪啪| 亚洲人成网亚洲欧洲无码久久| 天天舔夜夜操www com| 日本激情五月| AV九九| 欧美性生交XXXXX无码小说| www。五月,com| 亚洲超级碰| 久久五月婷婷电影| 五月婷婷之综合激情| 97色色色色色| 成人一区在线观看| 色综合久久88色综合天天人守婷| 伊人久久五月天| 五月天色综合| 9 1 A v久久久| 奇米影视777在线_在线观看午夜_h小视频在线观看_岛国大片 | 综合九九久久| 激情综合自拍五月婷婷色五月| 丁香婷婷六月激情综合| 狠狠爱综合网| 这里只有精品视频在线| 成人做爰高潮A片免费视频| 中文字幕高清av| 99综合在线| 26UUU在线观看| 激情五月六月婷婷综合啪啪| 亚洲碰碰碰| 午夜精品久久久久久久爽| 91oumei| 久久九九99字幕| 五月天激情网址| 天天色天天爽| 欧美性爱中文字幕| 久草x色在线观看99| 六月婷久久| 婷婷爱婷婷| 狠狠做深爱婷婷久久综合一区| 天天综合天综合久久网| 天天色情站| 亚洲另类日本| 婷婷在线日韩综合| 婷婷色香六月综合激情| 91碰碰| 这里只有精品网站| 中文超碰视在线| 天天搞夜夜叫| 日本三日本三级少妇三级66| 大地9中文在线观看免费高清 | 亚洲色五月| 狼人婷婷综合| 天天艹夜夜艹| av免费在线观看0| 美女五月天婷婷| 爽极品色| 大香蕉中文| 激情五月婷婷老师| 中文字幕免费高清电视剧| 女同激情久久av久久| 噜噜噜噜综合在线| 黄桃AV无码免费一区二区三区| 久久色婷婷| 五月婷婷亚洲| a片在线免费观看一区| 婷婷五月欧美综合| 欧美婷婷| 国产成人AV人人爽人人澡Va| 99在线观看| 亚洲综合网 665566| 色五月婷婷综合| 综合色播| 五月天免费色| 国产精品a无线| 超碰在线免费| 超碰在线免费| 欧美日韩aaa| 狠狠搞五月天| 婷婷五月丁香久久| 国产成人av在线播放| 五月在线婷色| A网在线欧洲| 久久久五月天婷婷| 国产黄色在线观看| 丁香伊人激情| 激情内射人妻1区2区3区| 夜夜人妻五月天| 色色色色五月天| 99热全是精品| 亚洲欧美婷婷五月色综合| 大香蕉伊然在亚洲90| 五月天开心色情网| 亚洲丁香五冃97色| 大陆肏屄视频| 一二线视频 另类| 亚洲综合色网站| 五月丁香婷婷综合网| 狠狠爱婷婷爱| 亚州操人在线视频| 色VA| 免费观看欧美成人AA片爱我多深| 五月天激情婷婷五月天久久| 99热草草| 激情五月天小说网| 玖玖爱伊人| 日本99热| 五五月五月| 色九九综合色| 狠狠高潮精品亚洲1| 殴美97色| 午夜婷婷久久| 91精品综合久久婷婷九色| 五月婷婷六月色| 色婷婷a| 色狠狠综合| 国产伦理精品高清在线观看网站一区二区 | 丁香六月婷婷| 国产国产乱老熟女视频网站97| 一个色的综合| 五月做爱| 91日本在线观看| 一起草AV| 人妻激情久久| 五月天伊人| AV动漫不卡无码免费| 色婷婷亚洲婷婷| 丁香六月天婷婷在线| 色综合色色| 99热这里只有精品亚洲| 超碰69天堂| 天天操天天插| 夜夜 操无码| 六月激情网| 五月天亚洲最大成人| 日本久久九| 五月丁香色综合| 日韩成人电影AV| 九九在线精品| 激情综合网激情五月天| 激情六月丁香综合| 综合九九日本| 欧美成人va| 操丝袜视频影院导航| 性爱五月婷婷| 婷婷视频网| 色五月婷婷五月丁香五月| 五月天激情网址| 日本三级韩三级99久久| 亚洲日韩欧美综合VA| 大香蕉婷婷久久| 这里只有精品久久| 日本美女五月天| 婷婷五月丁香av网站| 婷婷丁香激情五月天色色色| 色玖玖爱| 五月婷六月天| 99热18| 日B日潘金莲BB| www99精品| 日韩按摩二区| 亚洲超碰在线| 91无码色色| 色综合久久88色综合天天看| 69er小视频| 99亚洲精美视频在线观看| 色婷婷丁香五月| 亚洲操b| 九九热只有这里精品| 91国产精品视频播放| 狠狠色五月天| 天天成人综合视频| 色一区高清| 久久五月天丁香花| 五月色情| 99色在线观看| 五月丁香婷婷视频| 26uuu另类| 久综合九| 久久成人亚洲欧美电影| 中文字幕成人| 爱操人妻| 99热99热在线| 九九热在线视频,| 丁香五月综合激情啪啪| 中文字幕高清av| 99热66| 99在线观看精品| 五月婷婷丁香五月婷婷| 激情小说五月丁香在线视频观看视频| 97黑人精品区| 日韩精品呦呦va| 99操视频| 人人爱操| 久久Xx| 中文字幕乱轮| 99热九九在线| 六月婷伊人| 大香蕉网站,大香蕉综合| 丁香五月婷婷香| 国产精品久久欧美久久一区| 五月天色区| www.色九月| 五月 婷婷 成人| 欧美天天干五月丁香| 91精品在线看| a九九热www| 五月婷婷狠狠久久| 五月丁香A片| 亚洲国产精品SUV| 五月丁香色情| 99色婷婷视频| 91九色在线| 成功精品影院| 激情丁香五月天| 五月婷色啪| 99er免费在线观看| 五月激情日本在线| 精品思思久久| 丁香五月天啪啪| 久久资源网五月婷| 五月婷婷色情| 日韩色色色色色| 丁香激情网| 色五月婷婷AV| 超碰无码318604| 一级性感毛片| 婷婷趴趴| 九九AV在线| 97在线刺激| 9999热在线观看| 婷婷五月丁香综合桃花色网| 午夜成人在线免费视频| 丁香五月电影院在线观看| 色444综合网| 中文字幕综合色| 男女啪啪视频久 9| 9 1大香蕉| 激情丁香五月| 97婷婷狠狠久久综合9色| 久热久操久热久草国产91| 色情五月天导航| 99久久五月婷婷| 亚洲9久久精品| WWW.HENHENL.| 九九偷拍网| 大香伊人婷婷影院| 97欧美在线| 色情久久久| 97资源碰碰| 六月丁香啪啪| 五月丁香激情综合欧美| 亚洲欧州色情在线观看| www.婷婷六月天| 91丁香五月| 亚洲高清在线| 成人做爰高潮A片免费视频| 99国产精品久久久久久久久久久| 俺去也五月| 桃色五月婷婷| www.综合久久| 六月婷婷av| 天天噜天天插| 五月婷婷丁香六月在线| 色情五月综合婷婷| 五月天久久婷婷| 国产精品VIDEOSSEX久久发布| 777米奇影视第四色| 婷婷视频在线碰| 激情五月天婷婷色色色色色色色色色色色 | 综合网色| 成人做爰黄A片免费看直播室男男 久草热8精品视频在线观看 | 亚洲婷婷丁香五月亚洲| 九九热精品6| 久青草影院| 亚洲精品国产成人AV在线| www婷婷| 图片区 小说区 区 亚洲五月| 91九色白丝| 草草影院爱爱| 久er7久热| 丁香婷在线| 婷婷六月色开 | 五月丁香婷中文字幕 | 五月丁香六月婷婷不卡免费无码| 丁香六月婷婷综合啪啪| 97色干| 国产又色又爽又黄又免费| 国产女生爱爱AA| 久久婷婷五月丁香网| 久久99激情| 色情综合网| 色婷操逼| http://www.com久久久精品一区| 天堂五月婷婷| 五月婷婷熟女| 91青娱乐青青草| 香蕉综合网| 一级黄色操B| 密黄站| 色五月天婷婷| 久草热8精品视频在线观看| 97碰碰在线观看视频| 色五月天成人在线| 色婷婷色99国产综合精品| 少妇人妻人伦A片| 91精产品自偷自偷综合| 久久精品永久免费| 色五月婷婷亚洲| 色99xx| 六月99天天婷婷激情综合| 久久人妻伊人| 国产精品国产成人国产三级| 五月丁香久久呀| 狠狠色五月| 亚洲婷婷91丁香| 97色碰| 九九99热久久精品66中文字幕| 久久久久久草黄色片AV在线观看| WWW.17C亚洲精品| 99热在线观看| 久久久www| 精品国产va久久久| 99色在线视频| 另类图片激情五月| 热热久久99| 狠狠综合| 午夜丁香婷婷| 亚洲免费av在线| 天天日色情| 精品99这里有| 二色AV| 九月大香蕉| 欧美顶级少妇做爰HD| 久久婷婷国产| 婷婷日欧美在线观看| 超碰成人影视| 色婷婷五月综合网| 性生生活大片又黄又| 色五月丁香六月资源站| 99热欧美| 99re免费精品视频| 另类专区在线| 激情文学第四色婷婷丁香五月| 17.c黄色| 岛囯综合激情网| 中文字幕日韩无码制服诱或| 少妇AB又爽又紧无码网站| 日日干五月天婷婷| 夜夜撸夜夜骑| 激情五月激情综合俺也去婷婷小说| 99在线视频播放| 人人操人人爰人人一天天碰夜夜拍夜夜爽-中国A级毛片天天看天天谢… | 五月丁香伊人网| 熟妇人妻中文字幕无码老熟妇| 97色婷婷| 婷婷成人视频| 五月丁香啪啪| 99精品免费| 丁香五月婷婷激情小说| 国产精品美女| 丁香五月婷婷六月婷| 一起草AV| 精品99爱免费视频在线观看| 色婷婷伊人激情在线观看| 婷婷丁香五月天在线视频| 亚洲精品字幕在线观看| 色婷婷丁香五月丁香| 国产亚洲精品久久久久久豆腐| www.25五月婷婷| 五月丁香六月婷| 色婷婷狠狠干| 99ER热精品视频| 婷婷成人综合五月| 久久久全国免费视频| 五月婷婷啪啪网| 丝袜熟女一区二区三区| 婷婷99视频精品| 99热这里| 人人澡天天色天天做| 久久婷婷热| 六月婷婷日| 尤物一区二区| 亚洲欧美一区二区三区四区爱爱动图| 午夜日韩久久久网站| 亚洲VA口| 五月丁香六月香香蕉| 五月天色区| 五月婷婷视频啪啪美女| se色婷婷视频| 999热这里只有精品| 国产婷婷五月天| 综合五月婷婷| 五月婷婷成人网首页| se色婷婷视频| 精品99在线观看| 91综合国免费久入| 欧美大片| 可以直接看的av| 日韩性视频| 色色国产| 思思热视频| 99久久九九| 欧美顶级少妇做爰HD| 五月婷婷啪啪啪啪| 五月天综合久久| 久久视频在线视频| 婷婷五月天国产在线播放| www.99久| 国产成人综合亚洲| 天天综合久久| 色综合色欲综合天天免费 | caop视频| 91丨九色丨熟女|老版| 五月亭亭六月色| 丁香五月激情综合久久| 综合久久97| 亚洲尤物在线| 第四色五月婷婷| 成人电影一区| 成人在线99| 五月婷婷丁香深深爱| 久久久久9久无码视频| 另类图片色五月| 亚洲 小说 欧美 激情 另类| 久久婷婷六月综合| 色综合综合色| 成人在线网址| 国产在线网址1| 成人在线视频网| 色婷婷九月综合| 成人五月天丁香婷| 色天使久久综合| 可以看的AV| 婷婷五月天激情基地| 538午夜激情| 丁香五月婷婷激情中文| 另类小说五月天| 久久玖玖综合| 天天操天爱综合| 大香蕉手机视频| 国产女生爱爱AA| 日本狠狠干| 99热手机在线精品| 3p日韩网站视频| 97丁香婷婷| 琪琪色网址| www激情| 99热8| 人人干AV| 99热在线播放| 久九色| 成人va在线| 丁香六月婷婷久久综合| 亚洲av综合网| 激情VA视频| 色播播之激情五月婷婷| 狼人久草| 六月丁香婷婷色狠狠久久| 欧美情色电影一区二区| 久久婷婷五月综合| 黄网免费看| 六月丁香综合| 丁香五月,激情五月,深爱五月| 日本一级一级一级一级| 丁香五月色五月| 97色碰碰公开视频| 色.五月综合网| 婷婷中文字幕| 色五月激情五月| 99在线精品视频| 思思热精品在线| 日韩色情亚洲五月天婷婷| 婷婷欧美色| 婷婷九九| 日良久久| 国产综合色婷婷精品久久| 毛v一区二区视频| 欧美久久九九| 婷婷丁香日韩五月| 亚洲国产精品VA在线看黑人| 中文字幕成人| 婷婷五月天av| 久久这里只有精品热在99| 久碰婷婷视频| 五月天丁香成人社| 天天肏高清在线| 九九激情| 五月天天视频| 丁五月激情视频免费| 色五月六月| 有哪些A片网站| 婷婷综合六| 丁香五月亚洲综合| 久久这里有精品在线观看| 99热大片| 六月色国内综合| 99热九九在线| 丁香九月婷婷色| 色欲五月婷婷| 五月天婷婷丁香社区| 婷婷五月深爱五月| 人人摸人人搞| 激情六月色| 天天色天天| 激情五月丁香六月综合AVXXXX| 99re6久热只有精品6在线直播| 色吧五月婷婷| 人人草人| 久久婷婷五月天| XX久久| 97久久超碰| 777色色色| 91人妻PORNY九色大屁股| 狠狠干狠狠色| 日韩国产在线精品| 色综合99色| 玖色色综合| 亚洲色激情| 婷婷丁香五月麻豆| 五月天伊人av| 99热九九在线| 久久久久人妻网址| 91丨九色丨丰满人妖| 日本九九九九| 欧美成人精品A片免费一区99| 欧美性生交A片免费看| 久久婷婷五月丁香蜜桃网| 欧美高潮9| 亚洲超级碰| 91精品久久久久久| 久久黄色免费视频| 色婷婷色人人射| 播五月,色五月,开心五月播放器| 丁香九月婷| 丁香五月激情婷婷| 99在线视频网址在线观看| 久青草大香蕉| 婷婷丁香成人| 六月五月久久丁香| 日韩AAAAA| 综合色99| 欧美成人一区二区三区在线视频| 青青色com久久| 91超碰在线播放| 久久这里在精品视频| 国色天香伊人狠狠色| 亚洲人人操| 婷婷五月色| 90色免费视频| 玖玖爱综合网| 啪啪五月天啪啪| 色色色色网| 亚洲日日日| 我淫我色婷婷五月天激情四射| 大天天伊人| 丁香五月天色| 五月婷婷婷婷| 婷婷色中文字幕| 五月丁香狠狠爱婷婷综合| 久久婷婷色综合| 亚洲狠狠婷婷综合久久久| 丁香五月五月婷婷| 这里有精品| 丁香婷婷婷婷十二月在线观看视频| 五月婷婷偷拍| 国产美女最新VA在线免费观看| 噜噜噜久久| 色婷婷丁香五月| 久久五月婷婷视频| 婷婷成人综合免费视频| 狠狠干,狠狠操| 丁香网站| 丁香六月激情| 丁香六月激情综合啪啪| 久久激情网| 激情久久婷婷| 日日干日日s| www,com,五月色色| 色色色色丁香| 99操| 久久精彩视频| 欧美情色一区| 婷婷激情五月| 草综合14| 操操操97| 99re热精品在线视频| 国产无套精品一区二区| 午夜少妇在线观看视频| 五月天丁香婷| 婷婷五月天在线综合| 婷婷五月天福利| 五月婷婷人人人操| 亚洲操b| 大战熟女丰满人妻AV| caop在线| 高清无码入口| 91在线97视频| 激情欧美婷五月| 日韩啪啪视频| 任你日热视频| 日韩99色99| 久久精品99国产精品日本| 欧美日韩99| 99综合网| 9久热视频| 婷婷丁香一月| 色五月综合| 97碰久久| 九九无码| 99久久亚洲国产| 淫荡工a| 狠狠CAO日日穞夜夜穞AV | 蜜臀av粉嫩av懂色av| 激情婷婷啪啪| 99在线资源视频| 蜜乳.comcom| 天天干夜夜想| AV在线中文| 蜜臀99精品| 在线91日韩| 99免费视频网| 伊人九热| 亭亭五月激情亚洲在线| 少妇水多A片太爽了| 思思久久网| 国产成人99久久亚洲综合精品| 亚洲啪啪网| 99热亚洲| 97碰碰碰| 激情五月天视频| 日韩啪图| www.婷婷.com| 毛片蕉地一二| 精品成人a v无码内射| 色色色丁香| 天天操狠狠操| 免费碰碰视频久| 五月天激情综合10p| 电影91久久久| 色婷五月天网站| 国产乱子轮XXX农村| 深爱激情九九五月天 | 激情五月婷婷| 91超级碰碰碰| 国产成人99久久亚洲综合精品| 影音先锋色婷婷| 色色色99| 亚洲五月天色| 色婷久久| 欧美天天干五月丁香| 亚洲精品一区无码A片| 婷婷丁香一月| 俺来也狠狠| www.五月天社区| 玖玖玖婷婷婷| 成人色图情色成人网 www.5b5b5bcom 五月天| 大香伊人婷婷| 婷婷 伊人 久久| 51成人| 79精品视频在线观看,| 视频这里只有精品| 精国产品一区二区三区A片| 婷婷综合成人五月天| 欧美日韩成卜| 五月天婷婷婷| 99日精品视频| 亚洲免费看片| 日韩人妻无码一区二区| 爱99干99| 天天干天天干天天干天天干天| 秋霞少妇毛片| 婷婷午夜激情| 狠狠操.com| 中国丰满熟女A片免费观| 五月色丁香激情| 色婷婷综合在线| 天天综合五月天| 99热精品在线| 99国产精品白浆在线观看免费| 激情二色月| 国产色香蕉精品五夜婷| 黄色五月婷婷| 国产婷婷五月中文字幕高清| WWW、99热| 日韩淑女人妻luan伦激情精品一区二| 五月婷婷99热| 国产一区二区三区影院| 色五狠狠| 99男人天堂| 亚洲va综合va国产va中文| www.五月天婷婷姐姐| 婷五月天| 老司机伊人| www好屌操| 久七香蕉| 色色五月天激情| 婷婷爱五月天人人爱| 九九综合网色全集| 99热网站| 少妇达人正片在线播放_ikun_福利吧| 97碰碰视频在线观看| 99精品视频在线观看| 曰日爽日日操| 91九九| 夜色五月天| 色婷婷9| 狠色狠色狠色狠色狠色网| 久操人| h在线看免费版在线看| 性天天中文网| 久久久这里都是精品| 色99最新网址| 五月丁香婷婷综合网| 思思热在线精品视频网站| 99re热在线视频观看| 丁香激情五月| 亚洲色婷婷| 日本五月婷婷久久久六月丁香| 激情五月九九九| 丁香成人五月天| 丁香五月激情五月开心五月| 久久丁香五月综合六月激情红杏视频| 国模九区| 日韩九九| 亚洲视频一区| 九月婷婷综合色干| 久色网址| 日韩黄色影院| 五月婷婷丁香| 夜夜骑天天玩天天日| 9999久久久久| 亲子乱av一区二区三区的| 狠狠干无码| 色五月激情| 夜夜www| 超碰在线国产9| 日本久久色| 99这里只有精| 另类激情中文| 五月天五月色| 婷婷五月丁香综合亚洲 | 五月天丁香久久综合 | 五月天激情小说| 色色色综合| 日日夜夜爽爽| 99热欧美在线观看| 久久婷婷内射| 色级婷婷| 亚洲精品V天堂中文字幕| 色五月综合激情| 五月丁香婷婷基地| 伊人婷婷五月| 五月天激日本色情在线| 丁香六月婷婷久久高清| 在线超碰精品| 国产性爱在线| 三级三久久线久久99久目本WW| 99视频这里有精品| 综合网五月天123| 五月丁香网av| 在线成人网址| 激情五月丁香色色去久久| 欧美色激情四射| 99热这里是精品| 丁香五月性| 久久婷婷五月天激情| 激情六月一二| 伊人丁香婷婷东京| 再次出发二| 日本片日本片祼观看网站在线看中文版网页在线看 | 久久久久久久久久久-久五月天婷婷| 天天操综合网| 婷婷永久在线| 一月婷婷色色| 能看的av| 五月天.com| 久久精品亚洲热| www.日日夜夜| 五月色导航| VA日本视频| 色五月婷婷中文字幕在线观看 | 丁香六月婷婷五月婷婷| 开心激情播播五月天| 天天射综合网夜夜操| 九月婷婷丁香| 婷婷激情蜜桃玖玖丁香| 五月天婷婷色播综合在线| site:pzdcoin.com| 99无码视频| 五月婷在线| 五月丁香婷婷啪啪| 久久99网站| 久久曰曰| 狠狠干婷婷| 秋霞免费三级片| 日韩色色色色色| 四月婷婷五月色综合| 婷婷综合久久| 亚洲午夜精品久久久久久人妖| 久久丁香五月综合六月激情红杏视频| 婷婷丁香熟妇综合网| 亚洲中文av| 大香蕉久久伊人婷婷五月丁香| 超碰人人色| 色婷婷XXXXX| 激情四射五月天偷偷看婷婷| 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 | 啪啪东京热| 99色精品| 久9久9久9久9久9久9| 日本三级日本三级三级人妇四虎| 六月丁香av| 蜜臀丁香黄色婷婷五月天| 亚洲精品网站色视频| 热久久77777| 丁香六月av| 九九婷婷五月天影视| 99热这里只有精品69| 婷婷五月丁香综合人妻| 欧美va在线| 丁香五月天堂网| 97影院一级片| 日韩AV大全| 99精品在线| 亚洲综合五月天婷婷| 高清 码 免费看片短视频| 亚洲有码在线视频| 在线看片av| 激情com| 大伊久久| 久久538| 欧美性爱五月天| 婷婷伊人綜合中文字幕小说| 久久性爱99国产| 91操在线| 久久综合干| 九九99视频精品| 人人做人人看人人摸| 精品无吗va视频免费观看| 久久9精品| 国产乱子轮XXX农村| 超碰cap| 91丨九色丨熟女丰满| 人人干人人干骚美女| 天天射天天射一道本日本社区| 精品成人a v无码内射| 操操国产| 99热在线观看| 中文字幕高清av| 任你爽精品免费视频6| 美妞av| 色狠狠综合入口| 夜夜 操无码| 国产精品久久久久久亚洲毛片| 在线综合啪| 99久久婷婷国产综合| 久久午夜理论| 日本色五月婷婷| 无码色| a级毛片一区二区免费视频| 五月 激情视频| 久热2025无码| 久久久精品色| 五月丁香人妻| 久草免费福利视频| 色碰碰视频| 深爱激情av| 五月婷婷与六月丁香图片激情| 国产暴力强伦轩1区二区小说| 久热9热| 密黄站| 思思久久精品| 婷婷五月丁香五月| 综合玖玖偷拍| 91艹人| 婷婷综合成人| 欧美交换配乱吟粗大25P| 久人人操| 蜜桃婷婷丁香五月天狠狠久久综合| www.99热视频| 狠狠操狠狠插| 91视频综合网| 五月丁香久久综合精品| 9热精品| 狠狠婷婷色| 久久草大香蕉| 吉澤明步Av一區二區| 九九性视频| 亚洲一区二区无遮挡A片| 欧美性丁香色色五月天综合爱爱| 人妻少妇色综合| 性色做爰片在线观看WW| 九色七七| 婷婷情色激情| 色999五月色| 天堂综合久| 人人舔天天| 亚洲热热视频| 东北黄色一级| 天天日夜夜操五月| 亚洲视频99| 伊人色综合久久久| 亚洲婷婷成人五月天| 欧洲色| 亚洲五月激情| 欧美3AaAa大片| 99久久婷婷| 色综合久久综合中文综合网| 天天日日夜夜爽。| 99精品偷自拍| 超碰人妻在线| 色婷久| 精品AV无码超碰| 色婷婷五月天天天天天天天天天| 五月天激情图片| 色婷婷丁香社综合| 99热精品一| 日本狠狠干| 五月激情啪啪啪| 亚洲第一综合| 亚洲成人日韩无码精品| 五月花成人网| 久热这里只有精品6| 69久久99精品久久久久| 欧州色色| 丁香五月狠狠在线观看| 五月天激情在线视频| 99热在线只有精品| 9热视频在线观看| 久久这里只有精品热在99| 婷婷5月久久综合网站| 天天成人综合| 欧美99热| 天天色月| 亚洲成人综合在线| 激情五月天啪啪| 日本高清综合网五月丁香| 婷婷五月综合中文字幕| 人妻肉射免费观看| 亚洲国产精品二二三三区| 97亚洲色 torrent magnet| 激情久久久久| 在线观看亚洲视频影院| 激情五月天网站| 超碰在线观看成人视| 深夜激情网| 啪啪视频99| 毛片毛片毛片毛片| 久久婷婷五月丁香蜜桃网| 六月香五月婷| 国产亚洲精品AAAAAAA片| 天天操夜夜夜夜爽| 色色热| 欧美激情 日韩无码 婷婷 五月天 久久婷婷丁香五月一二三 | 色婷婷4| 99A片| 五月婷婷丁香五月| 久机视频这只有精品| 婷婷六月偷拍| 五月丁香婷婷潮喷中文字幕| Aaa久久| 九九性视频| 青青色com久久| 国产欧美va| 成人在线综合| 免费亚洲婷婷中文字幕| 好看的国产精品| 午夜丁香婷婷| 丁香婷婷久久| 99久久综合网| 日韩狠狠色婷婷| 丰满少妇猛烈A片免费看观看| 啪啪干伊人婷婷| 狠狠色综合五月人人| 天天射夜夜骑| 91超级碰人人操| 人妻久久久久久| 五月丁香啪综合| 玖玖在线视频| 99热99日…..| 亚洲精品V天堂中文字幕| 99热精品一| 色婷综合| 丁香色成人| 丁香五月成人| 男女啪啪做爰高潮无遮挡| 五月婷婷综合色拍| 六月丁香AV| www.夜夜操| 婷婷精品免费久久| 9久热| 五月激情基地| 日本黄色精品| 99ri在线视频| 五月丁了香蕉综合| 一级AV片| 亚洲成人五月天| 91视频一起草| 色综合久| 婷婷五月天另类网站| 大天天伊人| 老司机伊人| 久久婷婷色丁香| 超碰中文字幕在线| 超碰成人电影| 天干干夜夜操| 丁香五月成人自拍| 久久六月天| 婷婷区日本| 潮汕成人AV片在线| 色婷婷69| 色五月无码| 丁香六月婷婷激情| 欧美丁香五月| 色噜噜夜夜夜综合网| 婷婷激情五月| 999热在线视频| 99综合在线| 色视频色综合91| 五月的色婷婷高潮| 色婷婷黄色网络| 久热A片| 99ri国产在线| 国内裸舞二区| 丁香五月天社区婷婷| 激情久久久| 五月婷婷伊人在线| 久草九九| 五月婷视频| 99国产这里只有精品| 九九碰九九爱97| 亚洲美女裸体被操在线观看| 色五月偷偷| 五月丁综合在线观看| 九九精品热播| 久久在线视频免费观看| 丁香五月综合在线视频| 超碰九色| 亚洲人成网站999综合| 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 | 五月婷在线影院| 日本熟妇乱妇熟色A片蜜桃| 久操97| 婷婷在线操| 97色在线观看视频| 夜夜嗨一区二区三区直播内容| 婷婷色五月开心五月| 亚洲综合新99视频| 久久久久久久久久婷婷| 操操啪| 亚洲成人中心| 多精窝99在线视频| 99碰| 丁香花大香蕉婷婷综合| 九九久久综合| 日韩色五月| 狠狠五月激情在线| 91视频免费后入强操| 天天揷综合网| 日日综合网| 99热只有这里才是精品| 丁香五月婷婷久久综合激情网| 久久久五月天婷婷成人网| h在线看免费版在线看| 日本久久婷婷| 秋霞影音91人妻久久| 欧美精品99久久久| 婷婷五月天你懂的| 婷婷五月欧美综合| 色色色成人网| 九九99久久| 99精品爱| 激情q青青草在线婷婷| 玖玖精品婷婷| 伊人丁香五月天丁香在线婷| 色激情五月天| www.五月天色色.com| 久久黄色片| 五月综合六月丁| 五月婷丁香| www.91婷婷| 婷婷丁香五月天操逼| 嫩草极品| 亚洲视频一区|