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)營的一線實(shí)戰(zhàn)洞察。

從FER2013數(shù)據(jù)集到表情識別模型:完整數(shù)據(jù)處理與PyTorch實(shí)戰(zhàn)指南

從FER2013數(shù)據(jù)集到表情識別模型:完整數(shù)據(jù)處理與PyTorch實(shí)戰(zhàn)指南 簡介本資源面向深度學(xué)習(xí)初學(xué)者與計(jì)算機(jī)視覺實(shí)踐者聚焦面部表情識別這一典型CV任務(wù)提供FER2013數(shù)據(jù)集的完整可用形態(tài)及開箱即用的Python處理方案。壓縮包共2000個(gè)文件1998張48×48灰度JPG圖像、1個(gè)說明文本、1個(gè)核心提取腳本總大小130.43MB已供530人學(xué)習(xí)下載。其中JPG圖像為從原始CSV格式中批量解壓并歸類整理后的標(biāo)準(zhǔn)樣本覆蓋憤怒、厭惡、恐懼、快樂、中立、悲傷、驚訝七類情緒TXT文件含數(shù)據(jù)集結(jié)構(gòu)與標(biāo)簽映射說明PY腳本封裝了CSV解析、圖像讀取、標(biāo)簽編碼、數(shù)據(jù)劃分及NumPy數(shù)組轉(zhuǎn)換全流程可直接接入TensorFlow/Keras或PyTorch訓(xùn)練 pipeline。資源目錄結(jié)構(gòu)清晰省去繁瑣預(yù)處理環(huán)節(jié)顯著降低入門門檻特別適合情緒識別模型搭建、CNN基礎(chǔ)訓(xùn)練與多分類評估實(shí)踐。1. 項(xiàng)目概述從壓縮包到可用的圖像數(shù)據(jù)手頭拿到一個(gè)名為fer2013數(shù)據(jù)集和提取出的數(shù)據(jù)集圖片以及python提取代碼.zip的文件這幾乎是每個(gè)剛接觸計(jì)算機(jī)視覺特別是表情識別領(lǐng)域的朋友都會遇到的經(jīng)典“新手禮包”。這個(gè)壓縮包的名字本身就講述了一個(gè)完整的故事它包含了著名的 FER2013 數(shù)據(jù)集、已經(jīng)提取好的圖片文件以及用于完成提取過程的 Python 腳本。對于研究者、學(xué)生或是項(xiàng)目開發(fā)者而言這省去了從原始數(shù)據(jù)格式轉(zhuǎn)換、解析到文件組織的一系列繁瑣步驟是一個(gè)極佳的起點(diǎn)。FER2013 全稱 Facial Expression Recognition 2013是 Kaggle 上一個(gè)經(jīng)典的表情識別競賽數(shù)據(jù)集。它包含了 35,887 張 48x48 像素的灰度人臉圖像每張圖像被標(biāo)記為七種基本情緒之一憤怒、厭惡、恐懼、快樂、悲傷、驚訝和中性。原始數(shù)據(jù)集通常以一個(gè) CSV 文件的形式提供其中每一行代表一張圖片包含了情緒標(biāo)簽、像素?cái)?shù)據(jù)以逗號分隔的像素值字符串以及用途劃分訓(xùn)練、驗(yàn)證或測試。直接使用這個(gè) CSV 文件進(jìn)行模型訓(xùn)練并不直觀我們需要將其“解包”成一張張獨(dú)立的圖像文件并按類別、用途分門別類地存放這才是深度學(xué)習(xí)框架如 PyTorch, TensorFlow所期望的數(shù)據(jù)組織形式。這個(gè)壓縮包的價(jià)值就在于它很可能已經(jīng)幫你完成了這個(gè)“臟活累活”。里面的 Python 提取代碼就是打開這個(gè)數(shù)據(jù)寶庫的鑰匙。通過運(yùn)行它你可以清晰地理解數(shù)據(jù)是如何從一串?dāng)?shù)字變成一幅幅圖片的也能按自己的需求調(diào)整輸出結(jié)構(gòu)。接下來我將帶你徹底拆解這個(gè)項(xiàng)目從數(shù)據(jù)理解、代碼解析到實(shí)際應(yīng)用和擴(kuò)展讓你不僅能“用起來”更能“懂得透”。2. 核心需求解析為什么需要提取圖片你可能會問既然 CSV 里已經(jīng)有了所有像素值為什么還要大費(fèi)周章地提取成圖片文件這背后有幾個(gè)非常實(shí)際且關(guān)鍵的需求理解它們能幫助你更好地設(shè)計(jì)自己的數(shù)據(jù)處理流程。2.1 適配主流深度學(xué)習(xí)框架的數(shù)據(jù)加載器現(xiàn)代深度學(xué)習(xí)框架如 PyTorch 的torchvision.datasets.ImageFolder或 TensorFlow 的tf.keras.utils.image_dataset_from_directory都高度優(yōu)化了從目錄結(jié)構(gòu)加載圖像數(shù)據(jù)的流程。它們期望的數(shù)據(jù)組織形式通常是這樣的數(shù)據(jù)集根目錄/ ├── train/ │ ├── angry/ │ │ ├── image1.jpg │ │ └── image2.jpg │ ├── happy/ │ │ └── ... │ └── ... └── test/ ├── angry/ └── ...這種結(jié)構(gòu)清晰明了框架可以自動推斷類別標(biāo)簽來自子文件夾名并高效地進(jìn)行批量加載、數(shù)據(jù)增強(qiáng)和緩存。相比之下直接從 CSV 文件讀取像素?cái)?shù)組并轉(zhuǎn)換為張量你需要自己編寫數(shù)據(jù)加載、批處理、甚至數(shù)據(jù)增強(qiáng)的完整流程不僅代碼復(fù)雜而且難以利用框架內(nèi)置的高性能數(shù)據(jù)管道。2.2 便于數(shù)據(jù)可視化、檢查和預(yù)處理將數(shù)據(jù)保存為圖片文件后你可以用任何圖像查看器快速瀏覽樣本直觀地檢查數(shù)據(jù)質(zhì)量例如標(biāo)注是否正確一個(gè)笑臉是否被標(biāo)為“快樂”、圖像是否清晰、是否存在異常樣本。此外許多圖像預(yù)處理工具如 OpenCV, PIL和在線數(shù)據(jù)標(biāo)注平臺都直接操作圖像文件。如果你想進(jìn)行額外的預(yù)處理如尺寸調(diào)整、對比度增強(qiáng)或從中截取部分?jǐn)?shù)據(jù)用于遷移學(xué)習(xí)擁有實(shí)體圖像文件會方便得多。2.3 實(shí)現(xiàn)數(shù)據(jù)集的持久化與共享CSV 文件雖然緊湊但對于圖像數(shù)據(jù)而言并不直觀。將數(shù)據(jù)集保存為標(biāo)準(zhǔn)圖像格式如 PNG、JPEG后它就變成了一個(gè)自包含的、易于理解的資源包。你可以輕松地將其壓縮、上傳到網(wǎng)盤或共享給團(tuán)隊(duì)成員對方無需理解特定的 CSV 結(jié)構(gòu)就能直接使用。這對于團(tuán)隊(duì)協(xié)作和項(xiàng)目復(fù)現(xiàn)至關(guān)重要。2.4 代碼提取過程帶來的靈活性與可控性附帶的 Python 提取代碼并非一個(gè)黑盒。通過閱讀和運(yùn)行它你可以理解數(shù)據(jù)格式親眼看到像素字符串是如何被解析、重塑為二維數(shù)組并最終保存為圖像的。自定義輸出你可以修改代碼改變圖像格式如從 PNG 改為 JPEG、調(diào)整保存路徑結(jié)構(gòu)、甚至只提取特定情緒或劃分如僅訓(xùn)練集的數(shù)據(jù)。驗(yàn)證數(shù)據(jù)完整性在提取過程中加入簡單的統(tǒng)計(jì)如每類圖片數(shù)量或可視化檢查確保轉(zhuǎn)換過程沒有出錯(cuò)。注意在運(yùn)行任何來自網(wǎng)絡(luò)的代碼前尤其是處理數(shù)據(jù)時(shí)建議先在一個(gè)小的數(shù)據(jù)子集例如 CSV 的前100行上測試確認(rèn)其行為符合預(yù)期再處理全部數(shù)據(jù)避免因代碼錯(cuò)誤導(dǎo)致時(shí)間浪費(fèi)。3. 數(shù)據(jù)與代碼深度拆解拿到壓縮包后第一步自然是解壓。解壓后你通常會看到類似如下的目錄結(jié)構(gòu)fer2013_extraction_package/ ├── fer2013.csv # 原始數(shù)據(jù)集文件 ├── extract_images.py # Python 提取腳本 └── images/ # 可能已存在提取后的圖片文件夾 ├── train/ ├── public_test/ # 或稱 validation └── private_test/ # 或稱 test讓我們深入每個(gè)部分的核心。3.1 FER2013 數(shù)據(jù)集 CSV 文件結(jié)構(gòu)剖析用文本編輯器或 Excel 打開fer2013.csv你會看到它沒有表頭通常包含三列以逗號分隔情緒標(biāo)簽 (emotion)一個(gè)整數(shù)0到6分別代表0Angry憤怒 1Disgust厭惡 2Fear恐懼 3Happy快樂 4Sad悲傷 5Surprise驚訝 6Neutral中性。像素?cái)?shù)據(jù) (pixels)一個(gè)長字符串包含 48*482304 個(gè)整數(shù)每個(gè)整數(shù)在0到255之間代表一個(gè)像素的灰度值。這些值以空格或逗號分隔通常是空格。用途 (Usage)一個(gè)字符串標(biāo)明該樣本屬于哪個(gè)集合。通常是Training訓(xùn)練集、PublicTest公開測試集/驗(yàn)證集或PrivateTest私有測試集。一個(gè)典型的數(shù)據(jù)行示例0, 70 80 82 72 58 ... 245 個(gè)像素值 ... 120 90, Training這表示一張標(biāo)簽為“0”憤怒的圖片屬于訓(xùn)練集其像素?cái)?shù)據(jù)由2304個(gè)數(shù)字組成。3.2 Python 提取代碼核心邏輯解讀extract_images.py腳本的核心任務(wù)就是逐行讀取這個(gè) CSV 文件并根據(jù)第二列的像素字符串重建圖像然后根據(jù)第一列和第三列的標(biāo)簽將圖像保存到對應(yīng)的文件夾中。其核心邏輯通常包含以下幾步導(dǎo)入必要庫通常是csv用于讀取文件PILPython Imaging Library 即 Pillow 庫或OpenCV用于創(chuàng)建和保存圖像os用于處理目錄。定義標(biāo)簽映射創(chuàng)建一個(gè)字典將整數(shù)標(biāo)簽0-6映射到可讀的文件夾名稱如 ‘a(chǎn)ngry’ ‘happy’。創(chuàng)建目錄結(jié)構(gòu)遍歷所有可能的集合Train, PublicTest, PrivateTest和情緒類別使用os.makedirs()創(chuàng)建對應(yīng)的文件夾exist_okTrue參數(shù)可以避免因文件夾已存在而報(bào)錯(cuò)。讀取并解析 CSV使用csv.reader逐行讀取。對于每一行 a. 解析出情緒標(biāo)簽、像素字符串和用途。 b. 將像素字符串如”70 80 82 …”通過split()分割并轉(zhuǎn)換為整數(shù)列表。 c. 使用numpy如果用了或直接通過循環(huán)將這個(gè)長度為2304的列表重塑reshape為一個(gè) 48x48 的二維數(shù)組。 d. 將這個(gè)二維數(shù)組轉(zhuǎn)換為 PIL 的Image對象模式為 ‘L’ 表示灰度圖。 e. 根據(jù)用途和情緒標(biāo)簽構(gòu)造保存路徑例如./images/train/angry/00001.png。 f. 調(diào)用image.save()方法保存圖片。關(guān)鍵技巧與注意事項(xiàng)像素值范圍確保像素值在0-255之間并且數(shù)據(jù)類型是uint8無符號8位整數(shù)這是圖像存儲的標(biāo)準(zhǔn)格式。圖像保存格式PNG 是無損壓縮格式能完美保存灰度信息通常比 JPEG 更合適。JPEG 是有損壓縮可能會引入不必要的噪聲。文件名設(shè)計(jì)為了保持順序和唯一性文件名通常使用遞增的數(shù)字或原始的行索引。這有助于后續(xù)的調(diào)試和索引。內(nèi)存管理FER2013 數(shù)據(jù)集不大可以一次性讀入內(nèi)存。但對于超大型數(shù)據(jù)集可能需要分批讀取和處理避免內(nèi)存溢出。3.3 已提取圖片的目錄結(jié)構(gòu)驗(yàn)證如果壓縮包里已經(jīng)包含了images文件夾你應(yīng)該立即檢查其結(jié)構(gòu)是否符合標(biāo)準(zhǔn)。理想的、可直接用于訓(xùn)練的結(jié)構(gòu)如下images/ ├── train/ │ ├── angry/ # 包含成千上萬張 48x48 的憤怒表情圖片 │ ├── disgust/ # 厭惡表情圖片注意FER2013中此類樣本很少 │ ├── fear/ │ ├── happy/ │ ├── sad/ │ ├── surprise/ │ └── neutral/ ├── public_test/ # 或 validation/ │ ├── angry/ │ └── ... (同上) └── private_test/ # 或 test/ ├── angry/ └── ... (同上)重要檢查點(diǎn)類別平衡進(jìn)入train/下的各個(gè)文件夾粗略查看文件數(shù)量。FER2013 已知存在類別不均衡問題“快樂”和“中性”表情的樣本通常遠(yuǎn)多于“厭惡”。這對模型訓(xùn)練有直接影響你可能需要在后續(xù)進(jìn)行數(shù)據(jù)重采樣或使用類別權(quán)重。圖像完整性隨機(jī)打開幾張圖片確認(rèn)它們確實(shí)是清晰的人臉灰度圖而不是亂碼或全黑/全白的圖像。命名一致性確認(rèn)所有圖片格式統(tǒng)一如均為.png并且命名規(guī)則一致便于后續(xù)程序化處理。4. 從數(shù)據(jù)到模型完整的實(shí)戰(zhàn)工作流擁有了結(jié)構(gòu)化的圖像數(shù)據(jù)我們就可以將其投入實(shí)際的模型訓(xùn)練 pipeline。這里以使用 PyTorch 框架為例展示一個(gè)完整的工作流。4.1 使用 PyTorch 數(shù)據(jù)加載模塊PyTorch 的torchvision.datasets.ImageFolder是處理這種標(biāo)準(zhǔn)目錄結(jié)構(gòu)的利器。下面是一個(gè)典型的數(shù)據(jù)加載設(shè)置import torch from torchvision import datasets, transforms # 1. 定義數(shù)據(jù)增強(qiáng)和轉(zhuǎn)換 # 對于訓(xùn)練集通常需要較強(qiáng)的數(shù)據(jù)增強(qiáng)來防止過擬合并模擬真實(shí)場景的多樣性。 train_transform transforms.Compose([ transforms.Grayscale(num_output_channels1), # 確保是單通道雖然FER2013本就是灰度 transforms.RandomHorizontalFlip(p0.5), # 隨機(jī)水平翻轉(zhuǎn)對表情識別有效 transforms.RandomRotation(degrees10), # 小角度隨機(jī)旋轉(zhuǎn) transforms.ToTensor(), # 將PIL圖像轉(zhuǎn)換為Tensor并自動歸一化像素值到[0,1] transforms.Normalize(mean[0.5], std[0.5]) # 將[0,1]歸一化到[-1,1]有助于模型收斂 ]) # 對于驗(yàn)證集和測試集通常只進(jìn)行最基本的轉(zhuǎn)換不做數(shù)據(jù)增強(qiáng)。 val_test_transform transforms.Compose([ transforms.Grayscale(num_output_channels1), transforms.ToTensor(), transforms.Normalize(mean[0.5], std[0.5]) ]) # 2. 使用 ImageFolder 加載數(shù)據(jù)集 train_dataset datasets.ImageFolder(root./images/train, transformtrain_transform) val_dataset datasets.ImageFolder(root./images/public_test, transformval_test_transform) test_dataset datasets.ImageFolder(root./images/private_test, transformval_test_transform) # 3. 創(chuàng)建數(shù)據(jù)加載器 (DataLoader) batch_size 64 train_loader torch.utils.data.DataLoader(train_dataset, batch_sizebatch_size, shuffleTrue, num_workers4, pin_memoryTrue) val_loader torch.utils.data.DataLoader(val_dataset, batch_sizebatch_size, shuffleFalse, num_workers4) test_loader torch.utils.data.DataLoader(test_dataset, batch_sizebatch_size, shuffleFalse, num_workers4) print(f訓(xùn)練集類別: {train_dataset.classes}) print(f訓(xùn)練集樣本數(shù): {len(train_dataset)}) print(f驗(yàn)證集樣本數(shù): {len(val_dataset)}) print(f測試集樣本數(shù): {len(test_dataset)})參數(shù)解析與經(jīng)驗(yàn)num_workers: 用于數(shù)據(jù)加載的子進(jìn)程數(shù)。根據(jù)你的 CPU 核心數(shù)設(shè)置可以加快數(shù)據(jù)加載速度。在 Windows 上有時(shí)設(shè)為0以避免問題。pin_memory: 在 GPU 訓(xùn)練時(shí)設(shè)置為True可以將數(shù)據(jù)鎖頁內(nèi)存中加速從 CPU 到 GPU 的數(shù)據(jù)傳輸。shuffle: 訓(xùn)練集必須打亂以確保每個(gè) epoch 看到的數(shù)據(jù)順序不同這是隨機(jī)梯度下降的基本要求。驗(yàn)證集和測試集不需要打亂。數(shù)據(jù)增強(qiáng)的選擇對于小尺寸48x48、中心裁剪的人臉表情圖片RandomHorizontalFlip非常有效且安全因?yàn)樽笥曳D(zhuǎn)不改變表情語義。RandomRotation角度不宜過大如10度以內(nèi)否則可能生成不自然的人臉。還可以考慮ColorJitter調(diào)整亮度、對比度但對灰度圖意義不大。4.2 構(gòu)建一個(gè)簡單的卷積神經(jīng)網(wǎng)絡(luò)模型有了數(shù)據(jù)我們需要一個(gè)模型來學(xué)習(xí)。針對 48x48 的灰度小圖一個(gè)輕量級的 CNN 就足夠作為起點(diǎn)。import torch.nn as nn import torch.nn.functional as F class SimpleFERCNN(nn.Module): def __init__(self, num_classes7): super(SimpleFERCNN, self).__init__() # 卷積層塊提取特征 self.conv1 nn.Conv2d(in_channels1, out_channels32, kernel_size3, padding1) # 輸出: 32x48x48 self.bn1 nn.BatchNorm2d(32) self.pool1 nn.MaxPool2d(kernel_size2, stride2) # 輸出: 32x24x24 self.conv2 nn.Conv2d(32, 64, kernel_size3, padding1) # 輸出: 64x24x24 self.bn2 nn.BatchNorm2d(64) self.pool2 nn.MaxPool2d(2, 2) # 輸出: 64x12x12 self.conv3 nn.Conv2d(64, 128, kernel_size3, padding1) # 輸出: 128x12x12 self.bn3 nn.BatchNorm2d(128) self.pool3 nn.MaxPool2d(2, 2) # 輸出: 128x6x6 # 全連接層進(jìn)行分類 # 計(jì)算全連接層輸入特征數(shù): 128 * 6 * 6 4608 self.fc1 nn.Linear(128 * 6 * 6, 512) self.dropout nn.Dropout(p0.5) # 丟棄層防止過擬合 self.fc2 nn.Linear(512, num_classes) def forward(self, x): x self.pool1(F.relu(self.bn1(self.conv1(x)))) x self.pool2(F.relu(self.bn2(self.conv2(x)))) x self.pool3(F.relu(self.bn3(self.conv3(x)))) # 將多維特征圖“展平”成一維向量以便輸入全連接層 x x.view(x.size(0), -1) x F.relu(self.fc1(x)) x self.dropout(x) x self.fc2(x) # 輸出未經(jīng)過softmax因?yàn)閾p失函數(shù)如CrossEntropyLoss會內(nèi)部處理 return x # 實(shí)例化模型 model SimpleFERCNN(num_classes7) print(model)模型設(shè)計(jì)要點(diǎn)卷積核大小使用 3x3 的小卷積核是 VGG 網(wǎng)絡(luò)推廣的最佳實(shí)踐在減少參數(shù)量的同時(shí)增加了網(wǎng)絡(luò)深度和非線性。填充 (Padding)padding1配合kernel_size3可以保持特征圖的空間尺寸高和寬在卷積后不變。池化 (Pooling)使用 2x2 的最大池化步長為2每次將特征圖尺寸減半逐步增加感受野并減少計(jì)算量。批歸一化 (BatchNorm)在卷積層后、激活函數(shù)前加入批歸一化層可以加速訓(xùn)練、提升模型穩(wěn)定性并有一定正則化效果。丟棄法 (Dropout)在全連接層之間使用 Dropout隨機(jī)“關(guān)閉”一部分神經(jīng)元是防止模型過擬合的強(qiáng)有力工具。展平操作在卷積層到全連接層的過渡處必須使用.view()或torch.flatten()將多維張量轉(zhuǎn)換為一維。4.3 模型訓(xùn)練、驗(yàn)證與測試循環(huán)這是將數(shù)據(jù)、模型、損失函數(shù)和優(yōu)化器連接起來的核心部分。import torch.optim as optim from tqdm import tqdm # 用于顯示進(jìn)度條 device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) criterion nn.CrossEntropyLoss() # 多分類任務(wù)的標(biāo)準(zhǔn)損失函數(shù) optimizer optim.Adam(model.parameters(), lr0.001) # Adam優(yōu)化器自適應(yīng)學(xué)習(xí)率 scheduler optim.lr_scheduler.StepLR(optimizer, step_size10, gamma0.1) # 學(xué)習(xí)率調(diào)度器每10個(gè)epoch學(xué)習(xí)率乘以0.1 num_epochs 30 train_losses, val_losses [], [] train_accs, val_accs [], [] for epoch in range(num_epochs): # --- 訓(xùn)練階段 --- model.train() running_loss 0.0 correct 0 total 0 loop tqdm(train_loader, descfEpoch [{epoch1}/{num_epochs}] Train) for images, labels in loop: images, labels images.to(device), labels.to(device) optimizer.zero_grad() # 清零梯度 outputs model(images) # 前向傳播 loss criterion(outputs, labels) # 計(jì)算損失 loss.backward() # 反向傳播計(jì)算梯度 optimizer.step() # 更新權(quán)重 running_loss loss.item() _, predicted outputs.max(1) total labels.size(0) correct predicted.eq(labels).sum().item() # 更新進(jìn)度條信息 loop.set_postfix(lossloss.item()) epoch_train_loss running_loss / len(train_loader) epoch_train_acc 100. * correct / total train_losses.append(epoch_train_loss) train_accs.append(epoch_train_acc) # --- 驗(yàn)證階段 --- model.eval() val_loss 0.0 correct 0 total 0 with torch.no_grad(): # 驗(yàn)證時(shí)不計(jì)算梯度節(jié)省內(nèi)存和計(jì)算 for images, labels in val_loader: images, labels images.to(device), labels.to(device) outputs model(images) loss criterion(outputs, labels) val_loss loss.item() _, predicted outputs.max(1) total labels.size(0) correct predicted.eq(labels).sum().item() epoch_val_loss val_loss / len(val_loader) epoch_val_acc 100. * correct / total val_losses.append(epoch_val_loss) val_accs.append(epoch_val_acc) scheduler.step() # 更新學(xué)習(xí)率 print(fEpoch {epoch1}: Train Loss: {epoch_train_loss:.4f}, Train Acc: {epoch_train_acc:.2f}% | Val Loss: {epoch_val_loss:.4f}, Val Acc: {epoch_val_acc:.2f}%) # --- 最終測試 --- model.eval() test_correct 0 test_total 0 with torch.no_grad(): for images, labels in test_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted outputs.max(1) test_total labels.size(0) test_correct predicted.eq(labels).sum().item() print(fFinal Test Accuracy: {100. * test_correct / test_total:.2f}%)訓(xùn)練技巧實(shí)錄.train()和.eval()模式切換這至關(guān)重要。在訓(xùn)練時(shí)model.train()會啟用 Dropout 和 BatchNorm 的訓(xùn)練行為。在驗(yàn)證和測試時(shí)model.eval()會關(guān)閉 Dropout 并使用訓(xùn)練好的 BatchNorm 統(tǒng)計(jì)量保證評估的一致性。梯度清零每次計(jì)算新批次梯度前必須調(diào)用optimizer.zero_grad()。否則梯度會累積導(dǎo)致訓(xùn)練不穩(wěn)定。學(xué)習(xí)率調(diào)度使用StepLR或ReduceLROnPlateau當(dāng)驗(yàn)證損失不再下降時(shí)降低學(xué)習(xí)率可以顯著提升模型性能幫助跳出局部最優(yōu)。使用tqdm它能讓漫長的訓(xùn)練過程有直觀的進(jìn)度反饋方便估算剩余時(shí)間。早停法 (Early Stopping)一個(gè)重要的進(jìn)階技巧。在驗(yàn)證集準(zhǔn)確率連續(xù)多個(gè) epoch 不再提升時(shí)提前停止訓(xùn)練可以防止過擬合。你可以記錄最佳驗(yàn)證準(zhǔn)確率對應(yīng)的模型權(quán)重并在訓(xùn)練結(jié)束后恢復(fù)它。5. 項(xiàng)目擴(kuò)展與高級應(yīng)用場景掌握了基礎(chǔ)流程后你可以基于這個(gè)項(xiàng)目進(jìn)行多方面的擴(kuò)展使其更強(qiáng)大、更實(shí)用。5.1 應(yīng)對類別不平衡問題FER2013 中“厭惡”類別的樣本數(shù)約600張遠(yuǎn)少于“快樂”類約9000張。直接訓(xùn)練會導(dǎo)致模型嚴(yán)重偏向多數(shù)類。解決方法加權(quán)交叉熵?fù)p失計(jì)算每個(gè)類別的權(quán)重樣本數(shù)越少的類別權(quán)重越大。from torch.utils.data import WeightedRandomSampler import numpy as np # 計(jì)算每個(gè)類別的樣本數(shù) class_counts [len(os.listdir(f./images/train/{cls})) for cls in train_dataset.classes] total_samples sum(class_counts) # 計(jì)算每個(gè)類別的權(quán)重總樣本數(shù) / (類別數(shù) * 該類樣本數(shù)) class_weights [total_samples / (len(class_counts) * count) for count in class_counts] # 為每個(gè)訓(xùn)練樣本分配其所屬類別的權(quán)重 sample_weights [0] * len(train_dataset) for idx, (_, label) in enumerate(train_dataset.samples): sample_weights[idx] class_weights[label] sampler WeightedRandomSampler(sample_weights, num_sampleslen(sample_weights), replacementTrue) # 在創(chuàng)建 DataLoader 時(shí)使用這個(gè)采樣器并設(shè)置 shuffleFalse balanced_train_loader DataLoader(train_dataset, batch_size64, samplersampler)或者更簡單地在損失函數(shù)中指定權(quán)重# 將權(quán)重轉(zhuǎn)換為Tensor并送到設(shè)備上 weights torch.tensor(class_weights, dtypetorch.float).to(device) criterion nn.CrossEntropyLoss(weightweights)過采樣與數(shù)據(jù)增強(qiáng)對少數(shù)類樣本進(jìn)行更多的數(shù)據(jù)增強(qiáng)或直接復(fù)制少數(shù)類樣本以增加其在訓(xùn)練批次中出現(xiàn)的頻率。5.2 嘗試更先進(jìn)的模型架構(gòu)基礎(chǔ)的 CNN 表現(xiàn)有限。你可以輕松替換成更強(qiáng)大的預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)即使它們是針對彩色 ImageNet 數(shù)據(jù)訓(xùn)練的。import torchvision.models as models # 方法一微調(diào)整個(gè)預(yù)訓(xùn)練模型適用于數(shù)據(jù)量尚可的情況 model_ft models.resnet18(pretrainedTrue) # 修改第一層卷積因?yàn)镽esNet默認(rèn)輸入是3通道彩色圖而我們是1通道灰度圖 model_ft.conv1 nn.Conv2d(1, 64, kernel_size7, stride2, padding3, biasFalse) # 獲取全連接層輸入特征數(shù) num_ftrs model_ft.fc.in_features # 替換最后的全連接層輸出為我們的7個(gè)表情類別 model_ft.fc nn.Linear(num_ftrs, 7) # 方法二固定特征提取器適用于數(shù)據(jù)量很少的情況 model_fe models.resnet18(pretrainedTrue) model_fe.conv1 nn.Conv2d(1, 64, kernel_size7, stride2, padding3, biasFalse) # 凍結(jié)除最后一層外的所有參數(shù) for param in model_fe.parameters(): param.requires_grad False # 只訓(xùn)練新替換的全連接層 num_ftrs model_fe.fc.in_features model_fe.fc nn.Linear(num_ftrs, 7) # 只優(yōu)化最后一層參數(shù) optimizer optim.Adam(model_fe.fc.parameters(), lr0.001)經(jīng)驗(yàn)之談對于 FER2013 這種規(guī)模的數(shù)據(jù)集數(shù)萬張微調(diào)整個(gè) ResNet 通常能取得比固定特征提取更好的效果但需要更小心地控制學(xué)習(xí)率和正則化如更強(qiáng)的 Dropout以防止過擬合。5.3 部署為簡易應(yīng)用訓(xùn)練好的模型可以保存下來并集成到一個(gè)簡單的圖形界面或 Web 服務(wù)中實(shí)現(xiàn)實(shí)時(shí)表情識別。保存與加載模型# 保存整個(gè)模型結(jié)構(gòu)和參數(shù) torch.save(model.state_dict(), fer_model.pth) # 加載時(shí)需要先實(shí)例化相同的模型結(jié)構(gòu)再加載參數(shù) loaded_model SimpleFERCNN(num_classes7) loaded_model.load_state_dict(torch.load(fer_model.pth)) loaded_model.eval()使用 OpenCV 進(jìn)行實(shí)時(shí)攝像頭預(yù)測import cv2 from PIL import Image # 加載人臉檢測器如Haar Cascade face_cascade cv2.CascadeClassifier(cv2.data.haarcascades haarcascade_frontalface_default.xml) # 加載你的表情識別模型此處為示例需替換為你的模型加載代碼 # model ... emotion_dict {0: Angry, 1: Disgust, 2: Fear, 3: Happy, 4: Sad, 5: Surprise, 6: Neutral} cap cv2.VideoCapture(0) while True: ret, frame cap.read() if not ret: break gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale(gray, 1.3, 5) for (x, y, w, h) in faces: roi_gray gray[y:yh, x:xw] # 將檢測到的人臉區(qū)域調(diào)整為48x48并預(yù)處理 roi cv2.resize(roi_gray, (48, 48)) roi_pil Image.fromarray(roi) roi_tensor val_test_transform(roi_pil).unsqueeze(0).to(device) # 增加batch維度 with torch.no_grad(): outputs model(roi_tensor) _, predicted torch.max(outputs, 1) emotion emotion_dict[predicted.item()] # 在圖像上繪制矩形和標(biāo)簽 cv2.rectangle(frame, (x, y), (xw, yh), (255, 0, 0), 2) cv2.putText(frame, emotion, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (36,255,12), 2) cv2.imshow(Facial Expression Recognition, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()這個(gè)簡單的演示展示了如何將模型應(yīng)用于實(shí)時(shí)視頻流。在實(shí)際項(xiàng)目中你可能需要更魯棒的人臉檢測器如 MTCNN 或基于深度學(xué)習(xí)的人臉檢測并對預(yù)處理流程進(jìn)行更精細(xì)的調(diào)整。6. 常見問題與排查技巧實(shí)錄在實(shí)際操作中你幾乎一定會遇到各種問題。這里記錄了一些典型問題及其解決方案。6.1 數(shù)據(jù)加載與預(yù)處理問題問題1運(yùn)行提取代碼時(shí)出現(xiàn)PIL.Image相關(guān)錯(cuò)誤提示“無法識別圖像模式”。原因像素值列表在轉(zhuǎn)換為 NumPy 數(shù)組或 PIL Image 時(shí)數(shù)據(jù)類型或范圍不正確??赡馨菙?shù)字字符或者數(shù)值超出了0-255的范圍。排查在保存圖像前打印出像素列表的長度應(yīng)為2304、最小值、最大值和數(shù)據(jù)類型。確保在轉(zhuǎn)換為Image時(shí)指定了正確的模式‘L’8位灰度。解決在代碼中加入數(shù)據(jù)清洗步驟例如pixel_values [int(p) for p in pixel_str.split() if p.isdigit()]并確保數(shù)組形狀正確np.array(pixel_values, dtypenp.uint8).reshape(48, 48)。問題2使用ImageFolder時(shí)程序報(bào)錯(cuò)“Found 0 files in subfolders”。原因ImageFolder默認(rèn)只識別常見的圖像格式如.jpg,.jpeg,.png,.bmp等。如果你的圖片是其他格式如.pgm或者文件夾結(jié)構(gòu)不對就會找不到文件。排查檢查images/train/angry/這樣的路徑下是否存在圖片文件并確認(rèn)文件擴(kuò)展名??梢允褂胦s.listdir()打印查看。解決確保圖片是常見格式或修改ImageFolder的extensions參數(shù)。更常見的原因是路徑錯(cuò)誤使用絕對路徑或仔細(xì)檢查相對路徑。6.2 模型訓(xùn)練問題問題3訓(xùn)練損失 (Loss) 不下降準(zhǔn)確率徘徊在隨機(jī)猜測水平約14.3%。原因這是最令人頭疼的問題??赡艿脑蚍浅6鄬W(xué)習(xí)率太大或太小、模型架構(gòu)有缺陷如梯度消失/爆炸、數(shù)據(jù)預(yù)處理錯(cuò)誤如歸一化錯(cuò)誤導(dǎo)致輸入數(shù)據(jù)尺度異常、標(biāo)簽錯(cuò)誤等。系統(tǒng)性排查步驟檢查數(shù)據(jù)從數(shù)據(jù)加載器中取出一個(gè)批次可視化幾張圖片和對應(yīng)的標(biāo)簽確認(rèn)圖片顯示正常標(biāo)簽正確。檢查輸入尺度打印一個(gè)批次數(shù)據(jù)的mean()和std()。經(jīng)過Normalize(mean[0.5], std[0.5])后數(shù)據(jù)應(yīng)在[-1, 1]附近。如果出現(xiàn)極大或極小的值說明預(yù)處理有問題。檢查模型前向傳播在不訓(xùn)練的情況下將一批數(shù)據(jù)送入模型檢查輸出是否合理7個(gè)類別的 logits??梢試L試一個(gè)非常小的模型或單個(gè)線性層看損失是否能快速下降以排除數(shù)據(jù)問題。調(diào)整學(xué)習(xí)率嘗試一個(gè)更大的學(xué)習(xí)率如0.01或更小的學(xué)習(xí)率如0.0001觀察損失最初幾個(gè) batch 的變化。簡化問題嘗試在極小的數(shù)據(jù)集如每類10張圖上過擬合。如果模型連這么小的數(shù)據(jù)都學(xué)不會訓(xùn)練準(zhǔn)確率無法接近100%那肯定是模型或代碼有根本性錯(cuò)誤。問題4訓(xùn)練準(zhǔn)確率很高但驗(yàn)證/測試準(zhǔn)確率很低過擬合。原因模型記住了訓(xùn)練數(shù)據(jù)的噪聲和特定樣本而非學(xué)習(xí)到泛化特征。解決策略增強(qiáng)正則化增加 Dropout 比率如從0.5提高到0.7、在卷積層后也加入 Dropout、為優(yōu)化器添加權(quán)重衰減optim.Adam(..., weight_decay1e-4)。加強(qiáng)數(shù)據(jù)增強(qiáng)在訓(xùn)練時(shí)添加更多樣化的數(shù)據(jù)增強(qiáng)如隨機(jī)裁剪對于中心人臉可能需謹(jǐn)慎、輕微的仿射變換。使用更簡單的模型減少網(wǎng)絡(luò)層數(shù)或通道數(shù)。收集更多數(shù)據(jù)如果可能使用更大的數(shù)據(jù)集或進(jìn)行數(shù)據(jù)合成。早停法根據(jù)驗(yàn)證集損失提前停止訓(xùn)練。6.3 性能與工程化問題問題5訓(xùn)練速度很慢。原因數(shù)據(jù)加載是瓶頸、模型太大、沒有使用 GPU 或 GPU 未充分利用。優(yōu)化數(shù)據(jù)加載確保DataLoader的num_workers 0在 Linux/macOS 上并使用pin_memoryTrueGPU 訓(xùn)練時(shí)。圖像解碼如果圖片文件很大解碼會慢。可以考慮將數(shù)據(jù)集轉(zhuǎn)換為更快的格式如torch.save()保存的 Tensor 文件或使用lmdb、h5py等數(shù)據(jù)庫格式?;旌暇扔?xùn)練使用torch.cuda.amp進(jìn)行自動混合精度訓(xùn)練可以顯著減少 GPU 內(nèi)存占用并加快訓(xùn)練速度。梯度累積如果由于 GPU 內(nèi)存限制無法使用更大的 batch size可以通過梯度累積來模擬大 batch 的效果。問題6如何評估模型在各類別上的表現(xiàn)僅僅看總體準(zhǔn)確率是不夠的尤其是對于不平衡數(shù)據(jù)集。你需要計(jì)算混淆矩陣和分類報(bào)告。from sklearn.metrics import confusion_matrix, classification_report import seaborn as sns import matplotlib.pyplot as plt all_preds [] all_labels [] model.eval() with torch.no_grad(): for images, labels in test_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, preds torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) # 混淆矩陣 cm confusion_matrix(all_labels, all_preds) plt.figure(figsize(10,8)) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabelsemotion_dict.values(), yticklabelsemotion_dict.values()) plt.ylabel(Actual) plt.xlabel(Predicted) plt.show() # 分類報(bào)告精確率、召回率、F1分?jǐn)?shù) print(classification_report(all_labels, all_preds, target_namesemotion_dict.values()))通過混淆矩陣你可以清晰地看到模型最容易混淆哪些表情例如經(jīng)常把“悲傷”誤判為“中性”從而有針對性地改進(jìn)模型或數(shù)據(jù)。這個(gè)從fer2013數(shù)據(jù)集和提取出的數(shù)據(jù)集圖片以及python提取代碼.zip開始的項(xiàng)目就像打開了一扇通往計(jì)算機(jī)視覺和深度學(xué)習(xí)實(shí)踐的大門。它不僅僅是一個(gè)數(shù)據(jù)轉(zhuǎn)換腳本更是一個(gè)完整的學(xué)習(xí)案例涵蓋了從原始數(shù)據(jù)處理、模型構(gòu)建、訓(xùn)練調(diào)優(yōu)到簡單部署的全流程。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
www.sezonghe| 思思热热久久| 丁香99| 六月婷婷国产| 亚州精品色情无码A片| 国产欧美性成人精品午夜| 婷婷色欧美激情| 国产肏屄大片| 大香蕉福利导航| 伊人色综合网| 99久久免费精品| 日本啪啪网| 精品色色| 日日干夜夜干| 丁香六月婷婷| 狠狠激情五月天| 狠狠色丁香婷婷久久综合| 激情五月婷婷五月| 五月丁香啪啪激情| 色情五月天丁香社区| a69在线视频| 亚洲精品另类| 丁香婷婷AV| AV五月丁香| 激情五月婷婷在线区| 婷婷欧美激情综合| 一起草av在线观看| 9精品一区| 噜噜噜狠狠色综合| 五月天精品视频| 五月婷免费视频久久久| 色色网站免费在线视频| site:901-07.com| 另类图片五月天激情| 色婷婷视频| 人妻久久久久久| 婷婷成人小说综合| 69婷婷丁香午夜| 欧美成综合在线观看| www.色综合| 99在线免费观看| www开心激情网| 婷婷五月激情综合| 日韩影院三级| 97婷婷狠狠| 色天堂97| 久久精品4| 91碰免费视频| 99精品手机在线视频| 91精品久久久久久77777| 婷婷 伊人 久久| 可以免费看AV网站| 在线1青婷| 俺也去综合| 色婷婷婷av| 一区二区乱码视频| 狠狠爱综合| 婷婷丁香九月| 大香蕉久| 亚洲婷婷月丁香五月| 五月婷婷新网站| 婷婷五月天午夜激情影院| 九九艹女| 五月天婷婷伊人| 亚洲人成网站999综合| 国产精品久久久久久久久久免费 | 青青草原福利在线| 天天插,天天射| 九九热区一区二区三区| 日本高清综合网五月丁香| 99re鈥哸鈥唙| 99人碰碰碰| 五月天激情影院| 五月色婷婷综合| 婷香五月激情视频| 97人碰人操| 色色综合网站| 成人婷婷色综合| 久久婷青青草原| 蒲京久久无码视频| 99热这里只有精品1025| 丁香桃色综合网| 欧美性丁香色色五月天| 五月婷婷AV| 99热碰碰热| 人人草人人爱| 丁香五月激情五月| 超碰97色| 五月天激情站| www.五月.com| 综合色图区| 99网| 91日韩美女被插视频| AV成人在线播放| 337p大胆噜噜噜噜噜91Av| 超碰人人操人人干| 天天干天天爽天天操| 九九婷婷五月天| 狠狠色噜噜狠狠| 99婷婷| av一级棒av| 丁香五月天社区婷婷| 国产老熟妇亲子乱对白| 成人精品99| 婷婷玖玖五月天| 99久久这里只有精品| 级情九色| 天天干天天射综合网| 久久人妻精品| 色色三级视频| 91美女被操| 亚洲 在线 性爱 | 夜夜爽天天爽| av网站不卡在线| 色婷婷另类| 中文字幕在线日亚州9| 五月婷伊人| 五月婷精品| 97色色色色色| 97久久五月丁香婷婷| 五月天五月色婷婷综合| 亚洲综合在线播放| 99久久婷婷五月| 久操操| 天天日日夜夜爽。| 亚洲中文字幕在线观看| 伊人婷婷青青cao| 激情综合色五月丁香六月亚洲| 99色色网| Caop在线| 99热这里只有精品86| www.99热在线观看| 欧美婷婷综合| 国内裸舞二区| 久久久婷婷| 天天操天天插天天射| 婷婷五月天成人| 婷婷丁香五月综合激情小说| 岛国在线观看91| 婷婷色在线| 天天狠狠夜夜狠狠2023| 五月婷婷伊| 激情综合综合综合| 婷婷色网| 狠狠色丁香婷婷基地| 婷婷五月天高清无码| 久9视频| 六月丁香综合| 中文无码婷婷| 久99| 久久久激情视频| 影音先锋91视频| 五月天久久网站| 精品久久这里热66| 激情五月色综合| 丁香综合日产精品久久| 九九无码| 久9久9热久热| 99久久高清视频| 丁香月五月天婷婷久久| 六月丁香激情综合| 99视频在线啪| 人人舔人人色人人高潮| 99热国产这里只有精品| 26uuu精品一区二区| 五月丁香花免费视频| 91九色首页| 五月伊人综合| 狠狠五月天| 久久久这里都是精品| 六月丁香VA| 婷婷婷五月香蕉| 欧洲第一久色| 婷婷少妇激情| 色婷婷综合影院| Av在线不卡一区| 色婷婷婷婷成人网| 色婷婷中文| 九九色视频| 九色成人AV在线| 五月天激情无码高清| 国外亚洲成AV人片在线观看| 五月丁综合在线观看| 丁香五月社区| 人人人操97| 久久婷婷原创视频| 五月丁香婷婷综合视频| WWW.久久久久久久| 色五月欧美| 丁香五月1页| 狠狠色成人影片| 伊人五月天日日夜夜久久久天天| 亚洲瑟瑟精品在线| 国产婷婷色综合AV蜜臀AV| 丁香丁香激情网| 久久99久久99久久99人受| 五月丁香综合啪啪啪啪啪| 超碰久热| 五月亭亭直播| 天天色天天色天天色天天色天天色天天色| 99噜噜| 狠狠色97| 久久大国产香蕉| 99国产性感视频| 99热超碰人| 《蜘蛛女》梁铮1995| 天堂草在线看www| 色五月 婷婷, 大香蕉| 伊人在线视频| 婷婷激情蜜桃玖玖丁香| www.99免费视频| 久久99综合| 色五月激情五月丁香五月婷婷啪啪综合 | 五月婷婷丁香啪啪| 激情婷婷丁香| 99热亚洲精品| 99爱免费视频| 九月婷婷综合八月丁香在线观看| 欧美 日韩 人妻 高清 中文| 91黄操| 这里只有视频精品| 99九九在线视频| 搡BBBB搡BBB搡18| 狠狠做深爱婷婷久久综合一区| 在线看片h站| 日本婷久久| 婷婷五月综合婷婷| 97碰免费精采视频| 五月激情婷婷偷拍| 五月丁香影视| 激情久久久久久| 五月婷婷伊人久久| 99re思思热在线视频| 久久182| 日日干天天| 五月丁香激情婷婷| 婷婷瑟五月天久久综合| 成人AV在线电影| 色八戒操婷婷| 成人做爰黄A片免费看直播室男男| 中文字幕婷婷| 色综合77777| 久9视频| www.五月天社区| 五月丁了香蕉综合| 99热最新| 色五月婷婷中文字幕| 亚洲无码免费看| 欧美日韩精品人妻狠狠躁免费视频 | 婷婷综合色网| 思思热99er| 天天干,天天日| 色色色在线观看| 欧美视频在线观看噜噜| 色情五月天小说| 天堂网啪啪| 黄色激情网站在线观看| 超碰在线50| 久久激情网| 色欲天天综合网| 天天爽天天日| 九热视频| 天天爱天天秀天天做| 五月婷婷在线观看| 久热网在线视频| 一區四區歐美日韓| 狠狠操在线视频| 天天色情站| 91人妻PORNY九色大屁股| 99精品偷拍视频| 六月丁香婷婷爱| 五月婷婷色色爱| 9久久狠狠的| 色综合久久久久| 天天干天天拍| 97高清国语自产拍| 久在线综合69| 日韩AV在线免费观看| 久久久久久久五月| 久天综合| 五月婷婷丁香深深爱| 伊人婷婷大香蕉| 久热超碰91| 五月丁香久| 九九久久99| 无码人妻电影| 在线播放中文字幕| 五月天无码视屏播放| 这里只精品| 丁香成人综合| 天天干天天色综合| 亚洲成人影视在线观看| 色婷婷小说网| 激情五月天婷婷| 日韩黄色影院| 色在线99| 国产欧美日韩综合精品一区二区| 噜噜噜久久| 婷婷成人五月天| 五月丁香婷婷综合网| 99精品性爱| 欧美精品中文字幕亚洲专区| 婷婷色色宗合网| 丁香五月在线自慰| 狠狠操.COM| 婷婷婷婷色| 91丨九色丨熟女丰满| 丁香五月激情啪啪| 久久九九99视频| 免费在线观看av网站| 婷五月天丁香婷五月| 色婷婷亚洲| 丁香桃色综合网| 另类五月激情| 五月婷婷六月丁香| 五月天久久网站| 色五月激情问网站| 九九无码| 碰99在线| 激情桃色网| 人人草人| 成人国产欧美大片一区| 六月婷婷天天操夜夜爽视频| 综合网亚洲| 99热色精品| 丁香六月天婷婷| 五月欧美色播| www.91在线观看| 激情性爱五月天网页| 亚洲网站999| 日韩AAA| 婷婷五月丁香综合激情| 国产精品黑丝| 成人婷婷五月天| 五月婷婷成人| 日韩三级视频一区二区| 伊人久久五月天| 色婷婷操逼| 综合色七七| 欧美色图45678| 热热99爱爱| 天天肏屄夜夜爽| 五月精品| 欧美日韩成人在线免费| 思思热99热| A片试看120分钟做受图片| 九九色大香蕉| www.五月丁香| 9 1 A v久久久| 内射激情在线| 国产美女无遮挡裸体毛片A片| 日本三级成人秘书精品片| 久久婷婷夜| 五月丁香婷婷成人综合网| 精品久久99| 中文字幕av久久爽一区| 成人av在线网站| 夜夜爱爱亚洲| 日本颜色视频人人爱| 99激情| 操人无码| 久久婷婷色| 色综合天堂| 婷婷五月天开心网| www.91AV.COM| 激情丁香五月天| 日本道久久91| 永久精品| 日韩黄色网络| 婷婷五月激情图片| 五月丁香六月日逼| 91干婷婷| 五月婷婷啪| 激情婷婷激情在线不卡| 六月丁香综合| 青青草轻轻操| 狠狠色噜噜狠狠狠狠综合| 激情综合婷婷久久| 久青操| 在线观看av网站| 色色色网站| 9视频1在线| 色久丁香五| 秋霞丝袜啪啪啪| 黄色五月婷婷| 精品99久久久久成人网站免费| 999影院成人在线影院| 色婷婷香蕉在线| 五月天狠狠干| 欧美精品A片一区在线观看| 五月天色影院| 色人久夂| 九九在线精品| www.99成人视频| 欧美超碰亚洲| 97干97色| 五月丁花色综合网| 激情久久综合网| 123草逼网| 激情网站五月| 亚洲av另类在线观看| 丁香涩涩爱| 久久日九九| 五月色丁香| 九九色综合| 色婷婷小说| 日日撸日日操| 99热91| 99网| 久久色天堂| 另类色视频| 亚洲精品一二三| 日本色综合| 久久香蕉网| 国产毛片精品一区二区色欲黄A片| 99这里有精品久久97| 国产伦亲子伦亲子视频观看| 日日夜夜天天综合| 激情五月综合视频| 99内射视频| 久久人人妻| 人妻VideOssS人妻高清| 五月天色色婷婷| 免费看欧美成人A片无码| 久久婷婷视频| 99视频在线观看欧| 精品在线网站| 久婷婷久草| 国产色色视频| 天天插天天干| 亚洲免费99| 97干在线视频| 狠狠色九月| 五月丁香婷婷色| 亚洲99热| 天天做天天干天天综合网| 亚洲AV日韩无码| 亚洲成人影视在线| 五月婷久久| 天天摸天天透天天舔| 五月天 综合 在线| 五月天久久久| 日本美女上人| 91超级碰在线视频| www,超碰| 中文字幕无码成人电影| 九月婷婷在线视频| 亚洲成av人影院| 九九Av| 久久久噜噜噜久久人妻| 永久精品| 欧美25p| 婷婷一本和五月丁香| 丁香五月天AV在线| www.色综合| 91人碰| 超碰2021| 久久se 综合网| 五月婷婷色| 天天做天天爱天天玩| 亚洲视色| 天天干天天干天天干天天干天天干| 五月天天综合| 国产色香蕉精品五夜婷| 婷婷新网址| 51精品国自产在线| 国产特级毛片AAAAAAA高清| 五月激情小说| 综合五月婷婷| 北京熟妇搡BBBB搡BBBB| 99热在线观看| 五月日韩中文字幕| 不卡成人免费| 五月丁香花视频| 亚洲AV免费国产电影| 青青草五月天| 99视频网址| 操逼国产91| 丁香五月天婷婷91| 丁香六月婷婷综合欧美| 亚洲人妻av| 99热9| 五月天激情综合在线| 97碰久久| 亚洲人成网亚洲欧洲无码久久| 久久九九Com| 丁香婷婷综合激情五月色| 丁香五月激情啪啪| 日韩在线看AV| 人妻中文字幕网| 九九精品亚洲| 丁香五月婷婷啪啪| 99久久99热| 婷婷五月天成人基地| 久热这里只有精品66| 日韩综合大黄| 另类激情五月在线视频欧美| 婷婷久久亚洲| 欧美三级巜人妻互换| 久久久久九九九九视屏小说88| 亚洲成人五月天| www.婷婷| 国产人人操| 色婷亚洲| 亚洲激情淫网| 天天做天天爱天天要| 色五月婷婷操逼| 97综合在线| 韩日另类| 色婷婷五月天偷拍| 婷婷激情五月天在线视频| 天天热夜夜操| 色五月婷婷中文字幕| 色色色网站| 伦乱人妻| 免费AV黄在线播放| 色五月天成人| 久久久久人妻| 日本久久超碰| AⅤ色区| 这里只有精彩视频| 开心婷婷五月| 五月丁香婷婷成人版| 思思热久久阴99| 六月婷婷久久| 精品久久人妻| 丁香婷婷五月人体| 狠狠草婷婷| 丁香五月激情网| 啪啪一区| 中文字幕黄色片| 欧美日本一区二区三区| 深爱激情五月婷婷| 综合激情九月婷婷,激情综合婷婷中文字| 日本V在线观看不卡视频网站| 国产SUV精品一区二区883| 超碰9在| 国产精品激情AV久久久青桔| 婷婷五月综合色中文字幕| 99热99精品| 国产亚洲精品久久一区二区三区| 天天摸.天天mo| 新99思思视频| 免费AV在线| 久久激情五月婷婷| 色八月婷婷| 丁香六月亭亭久久综合| 天天干天天拍| 天花AV无码| 丁香六月五月天| 思思视频这里是精品| A久久| 99热这里只有精品66| 丁香久色| 啪啪啪综合网| 午夜丁香综合婷婷| 深爱五月激情| 9热在线| 狠色狠色狠狠色综合网| 国产在线黄色| 99热国产婷婷| 婷婷激情五月综合在线视频| 亚洲熟妇AV乱码在线观看| a网站免费观看| 久久久27操| 丁香五月天社区婷婷| 婷婷综合五月激情| 九九re精品视频在线观看| 久久久九九视频精品18| 国产亚洲精久久久久| 亚洲精品无AMM毛片| 青草网在线观看| 91综合国免费久入| 婷婷五月激情的图片| 色五月婷婷网| 天堂网啪啪| 久久九九热视频| 黄色网址五月婷婷| 五月丁香基地| 综合久久伊人| 久久伊人9| 玖玖色资源| 欧美成人性爱网| 韩国久久少妇视屏| 中文字幕在线aⅴ免费观看| 五月天小说激情| 国产精产国品一二三在观看| www 五月天 com| 夜夜嗨一区二区三区直播内容| 乱精品一区字幕二区| 99热这是里只有精品| 丁香五月天激情视频| 日本WWW九九九| 色五月五月婷婷| 丁香五月人妻| 激情五月综合网| 99热www.| 综合网网欲色| 1024人妻| 啪啪干伊人婷婷| 99视频在线9| 五月激情六月宗合| 狠狠干婷婷| 97干在线| 激情婷婷丁香色五月| 超碰丁香五月| 九九综合伊人| 综合综合色色| 99色综合久久| 大香蕉520| 狠狠色丁香婷婷基地| 久综合九综合99| 99精品在线观看视频| 久久久.COM| 五月开心播播网| 色色色图| 视频综合网| 99在线资源视频| 97色色网| 玖玖精品视频99| 91在线操| 96精品成人无码A片观看金桔| 99热这里只有99| 亚洲综合色婷| 婷婷金品综合视频| 欧美成性色| 丁香五月婷婷av影院| 丁香五月成人| 五月丁香婷婷激情在线| 香焦网五月天| www.韩日视频| 免费精品99| 综合九九| 天天舔天天插天天爱| 夜色爱爱亚洲| 操91| 第四色五月婷婷| 久色五月婷婷综合| 久久99婷婷| 久久性综合| 亚洲美女高潮久久久久久69| 思思热99在线视频| 亚洲第一色网站| 91疯狂操操操操| 极品少妇XXXX精品少妇偷拍| 色婷婷婷婷| 婷婷五月天首页| 无码九九| 五月综合丁香婷婷| BlACKEDRAW视频一区二区| 国产亚洲在线观看| 婷婷色导航| 天天肏天天爽夜夜爽| 91viP在线看| 任你搞在线观看视频| 亚洲精品又粗又大又爽A片| 欧美视频五区| www.亭亭五月天| 九久9精品| 日本3级片一区2区| 五月伊人婷婷| 热久久视频99| 色青五月天| 五月婷婷开心亚洲无| 五月天狠狠色| 99 福利 导航| 久草嫩草在线观看| 亚洲AVwwwwwww| 色狠狠婷婷| 无码人妻少妇色欲AV一区二区 | 婷婷五月丁香综合桃花色网| 丰满少妇猛烈A片免费看观看| 午夜丁香五月天综合| 99热国产在| 五月丁香六月在线欧美| 可以免费观看的av网址| 久久99婷婷| 五月婷婷丁香六月 | 日本欧美成人片AAAA| 五月婷婷久久久| 色婷婷丁香五月| 国产密乳av一区二区三区四区| 色八月婷婷| 看婷婷五月天网| 久久久8| 六月婷婷啪啪| 婷婷丁香亚洲色综合91| caop在线视频| 五月婷婷色色| 99这里精品| 丁香婷婷激情五月色| 婷婷色色综合激情| 好激情在线综合网| 一级性爱视频| 婷婷五月丁香欧洲| 久久久大香蕉| 人人爱操| 五月婷婷电影院| 精品AV无码超碰| CAOBIBI| 光棍影院日韩精品| www..999热久| 五月丁香 六月婷婷a| 99久久国产宗和精品1上映| 第四色五月激情网| 色五月婷婷丁香婷婷| 五月婷婷开心丁香| 天天天干夜夜夜操| WWW.99热| 久草热久草在线视频| 久久婷婷五月综合网| 中文字幕亚洲-区久久99婷婷| 99爱在线视频| 91妻人人爽人人看片| 色九月丁香婷婷蜜桃在线观看| 玩熟女五十AV一二三区| 久久久五月天婷婷成人网| 久热99热| 色五月激情问网站| 另类综合婷婷五月天欧美视频| 亚洲综合五月天综合| 久久久久久久91| 日本色色影院| 九月丁香婷婷| 亚洲激情精品| 97热这里只有精品| 亚洲狠狠终合停停终合| 丁香五月开心亚洲| 69五月天视频| 丁香婷婷网| 欧美成人猛片AAAAAAA| 久久婷婷综合色丁香| 翔田千里 50岁 无码| 天天激情视频| 色婷婷亚洲精品天天综| 99精品无码| 在线不卡AC| 亚洲天堂爱爱| 在线综合网| 丁香五月AV| 丁香 亚洲 久久| 欧美色六月婷婷| 九色PORNY自拍成人精彩视频| 国产色色视频| 开心激情站| 91嫩草久久| 色五月婷婷在线视频| 九色视频91疯狂| 精品国婬伦V无码久久久| 中文无码婷婷| 直接看的AV| 另类在线| 久久婷综合| 人人干人人操人人摸| 激情婷婷| 婷婷久久五月丁香| 99视频这里只有精品10| 九月综合| 色五月,婷婷大香蕉| 99丁香五月婷婷在线| 五月天欧美激情| 亚洲成人五月| 就爱日五月天| 热九九在线| 自拍偷窥99热| 懂色av粉嫩av蜜臀av| 国产激情久久久| 丁香久久久| 黃色三级三级三级三级 qixing300.shrkbk.com www.jinbozs.com tianmiaosw.com | 五月婷婷丁香五月| 五月丁香色婷婷色| www.99成人视频| 亚洲精品成人| 亚洲色图45p| 婷婷六月天激情| 日本网站久久| 热久久99视频| 五月丁香久久| WWW五月婷婷| 泰州成人视频| 日本高清久久| 激情六月综合| 人人操日| 五月丁香黄色视频| 国产成人av在线播放| 在线观看亚洲AV| 亚洲激情五月| 另类激情首页| 欧美日韩成人高清在线| 五月丁香六月玩女人| 久久久久久9热不雅视频| 成年人99热| 婷婷99视频在线| 丁香五月婷婷激情视频播放| 婷婷99视频在线| 婷婷色五月情| 99在线免费视频播放| 丁香婷婷中文字幕| 1024你懂的欧美曰韩| 开心五月网| 中文字幕网站在线观看| 深爱激情丁香五月| 色99婷婷五月天| 激情六月色| 久99热在线观看| 六月婷婷视频| 色婷婷欧美| 99爱视频在线观看| 亚洲色婷婷99一9|| 婷婷五月天综合久久日| 天天色视频| 婷婷五月AV| 亚洲综合视频网| 亚洲AV成人精品日韩在线播放| 一本色综合色| 人人摸人人干人人做| 婷婷WWW久久| 五月六月婷婷| 久久综合中文字幕| 亚洲色婷婷五月天| 九九亚洲小视频| 99久久久精品| 欧美 日韩 成人在线| 久久草人妻| 婷婷在线中文字幕| 色综合天天综合成人网| 婷婷的99视频网站| 大学生高潮无套内谢视频| 九九热区一区二区三区| 91丨人妻丨国产丨丝袜| 日本三级中文字幕| 色久女| 六月丁香激情网| 午夜 外网 精品 在线| 99爱视频| 五月天综合久久| 色情综合网| 婷婷丁香五月亚洲17cao| 蜜乳国产网站| 热久国产| 中日韩美欧成人一区二区精品在线| 婷婷区日本| 991自拍视频| 五月婷婷激情网| 婷婷五月天第四色| 婷婷色五月丁香六月欧美啪| 久久综合激情| 国产精品香蕉| 玖玖婷婷五月天| 99riAV成人在线视频| 香蕉操亚洲| 啪啪五月天啪啪| 九九精品热播| 秋霞少妇AV网站| 超碰人人射| 婷婷深爱五月丁香网| 色色色色五月天| 99热九九九九| 五月天激情小说网| 91人人网| 国产精品日韩十五区| 开心五月婷婷五月| 婷婷九九视频| 96丁香婷婷九月蜜桃综合久久| 激情五月色播五月| 婷婷丁香久久五月综合| 激情六月丁香| 永久天堂日本| 亚洲妇女熟BBW| 欧美日韩成人高清在线| 婷婷五月免费在线| 欧美99| 婷婷伊人五月丁香天堂网| 少妇AB又爽又紧无码网站| 亚洲成人中心| 天天爱夜夜爽| 99热这里精| 五月婷婷六月丁香激情深爱| 铁牛TV人妻| 亚洲激情av| 狠狠操综合| 婷婷五月天资源| 丁香五月欧美| 亚洲熟女色| 色99在线观看| 97婷婷五月| 色综合久久伊伊婷婷五月| 久久久久9999| www.婷婷五月天| ...婷婷五月综合不卡,国产在线手机 | 开心五月婷| 99久热在线精品| 日韩美女羞羞网站在线观看| 操逼综合激情网| 丁香五月婷婷激情四射深爱激情| 五月天天久久香| 九九色综合视频| 久久这里有精品在线观看| ...婷婷国产成人亚洲日韩| 五月丁香A片| 超碰在线99热| 婷婷丁香五月天色色| 9色免费网| 九九热99在线视频| 日本9区视频| 丁香五月天AV在线| 丁香九月婷婷| 91日本在线观看| 深爱激情五月天| 五月天激情小说网| 俺去也综合| 天天爽天天| 国产激情综合五月久久| 思思99热| 五月综合激情久久| 一级黄色片看看| 婷婷黄色网| 亚洲视频久久| 人人操超碰| 青青草国产亚洲精品久久| AA片在线观看视频在线播放| av网址在线播放| 激情精品久久| 激情五月婷婷啪啪| 色婷婷成人网| 五月天激情综合网站| 五月天综合在线| 日日干日日色| 色五月开心开心五月激情五月| 成人网站在线观看视频| 九九碰九九爱97超碰| anquye伊人| 欧美猛片| 婷婷五月天激情文学| 五月天综合| 碰碰女| 久久久婷| 精品热青草| 婷婷五月丁香香蕉| 91超级碰| 狠狠久综合| 激情五月婷| 五月婷婷激情性爱| 婷婷99狠狠躁天天躁| 成人婷婷深爱综合网| 成人五月天视频播放| 97色永久免费视频| 欧美日韩成人在线| 精品国产一区二区三区四区阿崩 | 成人做爰A片免费看视频| 婷婷五月丁香四射| 精品99在线| 激情五月天啪啪视频| 亚洲色综久久五月| 99色热视频| 国自产拍偷拍精品啪啪一区二区| 超碰二区| 国产69精品久久久久999小说| 中文字幕成人| 丁香六月欧美| 亚洲五月激情| 丁香五月深爱五月婷婷| 五月婷婷综合丁香视频| 婷婷狠狠操| 韩国97天堂| 玖玖视频福利| 中文字幕性爱丰满| 婷婷五月丁香综合| 四虎99热在线观看网站| 五月婷婷导航| 另类图片 五月激情| 99色在线观看视频| 人妻内射一区二区在线视频| 五夜丁香| 五月天激情美女久久| 综合色五月| 婷婷丁香六月天| www.狠狠| 婷婷色色欧美| 国产做A爰片毛片A片美国| 伊人婷婷五月天av| 韩国婷婷丁香五月| 超碰在线91| 久久9精品视频| 九九热这里只有精品31| 99久久6| 99精品丰满| 欧洲激情五月天婷婷| 日韩 中文 欧美| 九月停停| 欧美猛片| 婷婷五月天福利| 色六月婷婷| 色五月婷婷色五月婷婷色五月婷婷| 韩国天天婷婷| 亚洲乱码日产精品BD| 人妻综合网| 欧美久草在线日本一级特黄大片做受9在线观看韩国电影《两个女人》未删减-毛片 | 五月第四色| 成人精品视频99在线观看免费| 好叼操在线观看| 79精品在线视频| 99热99色| 亚洲成人超碰| 五月激情六月综合| 激情五月网站| 超碰精品在线| 久久久ww| 丁香激情五月| www.久久色.com| 五月婷婷五月天天| 精品一二三区久久AAA片| 丁香无月在线观看| 综合五月丁香六月婷婷| 久婷久婷激情肉| 丁香五月激情综合啪啪| 天天色色天天| 热99精品视频在线观看| 五月综合丁香婷婷| 九月丁香欧美综合| 久久亚洲天堂| 色五月婷婷综合在线| 六月99天天婷婷激情综合| 91热视频色网站| 九九干视频| 婷婷五月天综合网| 亚洲无码色| 99色精品| 亭亭五月色男人| 超碰在线人妻| 丁香桃色网| 亚洲另类在线观看| 久久精品这里只有精品免费首页| 亚洲人成网站999综合| 五月天久久丁香| H亚洲| 色婷婷五月天天天干天天操天天爽| 亚洲激情四射| 久久99热这里只有精品23| 996er热| 亚洲综合1024| 国内外色色色色色成人视频| 人人舔人人色人人高潮| 尤物一区二区| 久久天天| 婷婷丁香九月| 欧美成人精品A片免费一区99| 影音先锋色婷婷| 大香蕉手机视频| 综合激情网| 丁香五月天大香蕉啪啪| 五月激情久久| 影音先锋一区二区三区| 亚洲不卡| 色情五月丁香婷婷网| 婷婷五月天AV| 九九精品这里只有| 色五月丁香com| 欧美日韩AAAA| www.婷婷亚洲基地| 99热这里只有精品9| 26uuu色噜噜精品一区| 亚洲中字AV电影在线网站| 五月天精品| 激情视频婷婷五月花| 大伊香蕉精品视频在线| 五月婷亚洲精品| 97干综合网| 人人草人人舔| 久久久久久久合一狠狠做深爱| 亚洲精品亚洲人成人网| 天天干com| 97影院一级片| 精品夜夜澡人妻无码AV| 天天爽天天摸天天爱| 99操视频| 婷婷天堂伊人| 51XX午夜影福利| 激情五月天在线观看婷婷| 色久五月| 色玖玖导航| 日本视频久久| 亚洲综合视频网| www.狠狠色.com| 金品在线视频99| 色婷婷成人做爰A片免费看网站 | 夜夜骑操AV| 狠狠色九月| 99啪啪| 51国精产品自偷自偷综合 | 丁香天堂夜| 色婷婷99| 99re热在线观看| 婷婷香香五月| 亚洲图色五月天| 丁香六月综合激情| 丁香五月伊人| 五月婷婷m| 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 | 991精品在线视频| 久久99久久99精品免观看软件 | 国产伊人大香蕉| www.99色| 玖玖在线| 婷婷爱五月天人人爱| 五月天激情综合首页| 99热这里都是精品| 高清 码 免费看片短视频| 操碰91| 日韩人妻在线观看| 欧美草久久五月天91| 日韩综合网络男女香蕉a片| 免费三级黄色| 五月婷婷五月天| av在线免费网站 | 99激情视频热| 五月丁香色| 亚洲人妻Av| 97国产精品女人碰碰| 九九热在线视频| 性色五月天| 女同激情久久av久久| 六月婷婷五月天| 一区二区三区四区无码| www.99视频| 久综合| 97婷婷在线| 国产探花一片区| 亚洲av| 婷婷五月在线影院| 国产又黄又爽又色的免费| 激情六月综合| 欧美熟女99| 任你搞网站| 婷婷的99视频网站| 天天肏天天肏天天肏| 亚洲色情在线| 五月丁香六月香综合激情| 爱草视频在线观看| 天天摸天天舔天天爽| 狠狠看狠狠| 国产精品久久久久久白浆色欲| 免费看欧美成人A片无码| www.激情五月| 天天狠狠夜夜狠狠2023| 99操逼| 久99热| 97热这里只有精品| 久久免片| 99色在线| 亚洲无码色| 丰满老熟妇BBBBB搡BBB| 色婷五月天| 久热在线中文字幕色999舞| 久青草影院| 成片免费播放| 99热99色| 九九热最新| 日日夜夜狠狠婷婷色| 色五月婷婷中文字幕在线观看| 中文字幕网站在线观看| 久久综合伊人77777蜜臀| 午夜日韩久久久网站| 91碰超| 亚洲天堂久久| 婷婷激情五月天网站| 伊人成人宗合网| 亚城区在线| 久久婷婷成人综合色怡春院| 婷婷狠狠操| 99综合久久| 99爱精品| 蜜臀av 粉嫩av 懂色av| 婷婷五月激情五月丁香五月| 97人人干人人操| 九九热只有精品6| 三级大香蕉网| 婷婷六月激情| 97久久超碰| 综合久久狠狠| 99热在线精品观看| 天堂婷婷五月在线| 五月熟妇婷婷久久| 五月婷婷六月丁香在线视频| 色色色网站| 激情久久五月天| 99色在线视频| 国产亚洲色婷婷久久99精品91 www.riverspirits.org www.hnnun.com www.changh | 九九热这里有精品23| 婷婷中文字暮| 热99精品视频在线观看| 都市激情蜜桃婷婷五月天| 综合激情视频| 伊人玖玖婷婷| 九九日本视频| 国产性爱亚洲是图| 99久久6| 国产肥白大熟妇BBBB视频| 丁香五月a| www.五月天婷婷| 久久婷婷视频| 色婷视频| 九九热这里只有精品首页| 色色色激情| 精品国产人人爱人人| 五月丁香六月婷婷亚洲| 日本三级大片| 开心六月丁香五月婷婷| 99精品小视频| 天天插天天插| 激情综合网五月丁香| 99在线视频精品| 狠狠操.com| 激情五月五月婷婷| 欧美激情五月天| 97久久超级| 97干视频| 亚洲成人五月天| 久久久久久久人妻| 黑人无码一区| 久热这里只有精品视频6| 99久久网站| 在线不卡的视频| 99,色| 草综合14| 亚洲久久婷婷丁香五月天| 性日本精品| 天天做天天爱| 成人五月天丁香婷| 色亚洲欧洲| 亚洲精品V天堂中文字幕| 99精品视频推荐| 狠狠干五码| 色色色婷婷| 婷婷5月久久综合网站| 天天爽在线视频| 丁香五月婷婷色情综合| 欧美成人精品A片免费一区99| 久久五月丁香| 精品爱欲五| 久久视频这里都是精品| 色播婷婷大香蕉| 五月天色色色色色| xfplayav在线| 精品人妻一区二区三区在| 婷婷久久久| 99操免费视频| 久久99免费视频| 丁香五月色欲| 国产精产国品一二三在观看| 久操大香蕉| 丁香五月人妻| 亚洲性爱电影| 91精品久久久久、久五月天| 丁香五月综合狠狠| 天天插天天很| 精品一二三区久久AAA片| 99热在线爱| 国产亚洲色婷婷久久99精品91| 直接看的AV| 久久大国产香蕉| 这里只有精品视频看看| 99热这里只有精品免费| av婷婷丁香 六月| 婷综合| www.婷婷六月天|