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
丁香综合网| 99这里只有精品| 影音先锋91资源站| 大香蕉婷婷婷| 欧美综合婷婷欧美综| 天天色天天日天天舔| 久热在线中文字幕色999舞 | 婷婷精品视频| 97五月天| 综合久久伊人| 色人妻五月| 婷婷色六月| 久久图色4| 五月丁香欧美综合免费视频| 色色热| 五月丁香六月成人| 色五月激情网| 9 9热这里有精品| 人人色AV| 少妇水多A片太爽了| 色色丁香五月天| 五月婷婷激情综合视频| 五月婷婷丁香| 九九色色| 99热最新| 99精品视频偷拍| 啪到高潮激情丁香五月| 久久激丁香| 九九热视频精品2| 亚洲人人操| 2050人人操免费工开爱| 99色在线视频| 亚洲另类在线观看| 亚洲旡码| CAoub青青超碰| 天天狠狠色综合| 中文字幕按摩做爰| 色激情综合狠狠婷婷| 91丨九色丨熟女丰满| 五月婷婷综合在线视频| 丁香五月在线观看完整版| 99免费在线视频| www.久久久久| 亚洲激情四射| 草一草avb| 婷婷五月天综合网| 五月狠狠| 丁香六月天| 毛片九九九九九九| ji'qi'luan'ren'lun| 日本色色色色色色色色一色二色| 天天艹夜夜爽| A片试看120分钟做受图片| 日韩欧美一级大黄网站| 丁香色色色| 五月婷免费视频| 97丁香五月| 美女久久婷婷| 白天AV月月| 97色色色| 如何安全看伊人婷婷| 超碰国产av| 欧美Va在线| 天天爽天天爽| 五月天全国最大成人网| 五月婷婷香蕉| 涩五月色婷婷| av五月丁香婷婷网| 激情丁香五月天图片| 五月婷婷激情啪啪| 情趣视频66| 亚洲人成播放网站| 99热6色| 91国产精品视频播放| www.色窝| 五月丁香色欲| 婷婷五月天亚洲综合| 九九久久9 9在线观看| 五月丁香婷中文字幕 | 国产精品99久久久久久久女警| 在线网黄| 亚洲无码99| 久久五月视频| 五月丁香大香蕉| 五月天天天综合| 色综合五月| 2015好吊操| 桃色五月天| 思恩热国产视频右线观看| 五月婷婷激情综合网| 激情五月综合| 五月综合激情| 99热这里只有精品一| 亚洲精品久久久久久久久久吃药| www.激情五月天| 男同色五月开心五月激情五月| 九九中文色色| 五月婷在线视频免费播放| 日韩人妻在线播放| 噜噜狠狠色综合久| 大香蕉九九| 天天爽天天爽| 久久这里只有国产视频| 人人爽欧美婷婷久久久五月丁香| 91热久久| 狠狠五月天婷婷| 丰满少妇猛烈A片免费看观看| 综合热无码| 免费无码毛片一区二区A片| 天插天啪天啪天啪| 免费观看高清无码| 六月丁香婷婷综合狠狠爱夜夜爱| 久久丁香| 五月天伊人日日噜影片AV| 欧美成人精品三区综合A片| 婷婷五月天熟妇| 五月丁香婷婷综合网| 丁香桃色综合网| 久热在线中文字幕色999舞| 六月婷婷深深爱| 国产综合网在线| 影音先锋91资源站| 久久一热| 日韩欧美成人一区二区三区| 婷婷九月亚洲| 深爱五月天| 九九这里是免费的视频5| 热99免费在线| 97五月天| 婷婷丁香五月高清| 色五月天堂| 婷婷综合精品| 性爱五月婷| www.夜夜操| 99精品在线播放| 欧美操人| 丁香婷婷综合激情五月色| 九九色网| 亚洲操操| 夜夜爽日日躁| 99热精品网| 超碰在线超碰| 激情小说五月天| 久久精品99国产精品日本| 99.色| 婷婷五月a| 五月婷婷激情网| 人人人人人人人人人草| 另类亚洲视频| 成人无码精品1区2区3区免费看| 综合一本道| 操碰99| 中文字幕在线免费看线人| 色婷婷成人| 开心婷婷五月| 九热...av| 免费看欧美成人A片无码| 欧美日韩aaaa| 久久婷婷五月丁香网| www久久99| 天天爽天天草| 性爱AV天堂| 婷婷黄色网| 午夜激情综合| 日日夜夜爽爽| 日本久热| 无码成人AAAAA毛片AI换脸| 久久久久思思热| 玖玖在线| 超碰婷婷五月| 99热精品在线观看| 99热无码| 婷婷五月天天天日日夜夜| 五月丁香婷婷伊人| av色色国产| 不卡影院午夜理论片| 激情五月天色网站| 99精品手机在线视频| 成人丁香五月| 九九色综合九九色| 嫩草综合网| 热久69| 玖玖婷婷五月天| 日日天天干| 色婷操逼| www.91有码.com| 中文字幕在线不卡视频| 亚洲日韩一页精品发布| 丁香五月中文字幕| 人人爽欧美婷婷久久久五月丁香 | 66精品成人免费网站在线观看| 99热综合网| 人妻内射一区二区在线视频| 99久久婷| 久久久久思思热| 97色婷婷成人综合在线观看| 亚洲正能量欧美| 五月丁香激情婷婷| 无码人妻一区| 69午夜成人影片| 五月婷婷深深爱| 精品欧美性爱超级爽| 大香蕉综合在线| 骚货艹网站视频| 激情六| 午夜色丁香| 色婷婷狠狠| 丁香五婷婷| 夜夜爽天天日| 亚洲视频丁香网va| 欧美日本VA| 亚洲色色五月| 日本色色视频| 少妇AB又爽又紧无码网站| 激情综合在线观看| 五月激情综合美女久久| 亭亭五月激情亚洲在线| 丁香五月天欧美成人| 五月天婷婷激情网| 大香蕉视频婷婷| 99综合| 日韩成人AV在线播放| 亚洲色婷婷色| 97碰久久| 免费AV在线| 久久九九热re6这里有精品| 久久性爱视频| 天堂综合久久| 九九热在线精品| 热久久精品视频网站| 午夜成人AV在线| 97婷婷五月激情六月丁香伊人| 天天狠狠色噜噜| 亚洲av免费在线| 1024欧美日韩精品久久久| 成人无码髙潮喷水A片| 久久伊人五月天| 婷婷五月天六月丁香| 丁香六月视频免费观看| 五月丁香婷婷婷婷综合网| 性色人人爽| 亚洲六月色婷婷| 久久精品女人天堂AAA| 国产成人综合亚洲| 一本大道伊人AV久久综合| 婷婷六月天| 午夜成人综合| 看片视频在线免费日产在线看| 色欲资源网| 久久99最新| 91啪啪| 丁香六月狠狠干| 色99婷婷五月天| 欧美精品狠狠色丁香婷婷| 最近免费中文字幕大全高清大全1| 丁香六月五月天| 外国碰视频网站97| 蜜臀av粉嫩av懂色av| 伊人五月天在线| 色5月婷婷| 亚洲爱爱无码婷婷色五月| 九九家庭影院| mmm1717.6dbm人人爱人人操| 这里只有在线精品| 丁香五月婷婷丫| 影音先锋xfplay资源男人网| 精品一二三区视频立| 97人人草| 99热99网| 久久黄色网扯| 九九热只有精品6| 色色综合成人网| 99超级碰免费视频| 日本熟女视频一区二区| 色VA| 狠狠另类视频| 天天操九九插| 久久99热精品a片在线观看| 电影蜘蛛女| 丁香五月婷婷亚洲色图| 亚洲激情电影五月天色婷婷丁香一起草| 久久丁香五月综合六月激情红杏视频 | 久久艹网| 亚洲成人AV在线| 色情五月| 香蕉操亚洲| 色综合丁香婷婷| 欧美人久久| 五月婷婷综合影院| 婷婷久久丁香五月| 丁香五月天AV在线| 人妻内射麻豆视频| 久久久区区一久久久久久| 俺去也在线www色官网| 婷婷五月天激情AV影院| 久久久久久丁香五月| 五月天伊人综合| www,天天干| 99综合| 狠狠色成人影片| 日本九九视频| 99热免| 五月天综合| 99久久国产宗和精品1上映| 亚洲亚洲人成综合网络| 久久综合五月情| 9|在线观看视频| 综合网网欲色| 五月丁香激情四射综合| 香蕉婷婷色五月| 国语对白性爱视频播放| 欧美精品在线观看| 色综合久| 97精品人人A片免费看| 大伊香蕉精品视频在线| 91人妻九色大屁股| 丁香婷婷午夜| 五月婷色色| 婷婷亚洲五| 黄色99网| se99视频| 六月婷婷激情图片| 北京熟妇搡BBBB搡BBBB | 激情小说婷婷五月| 久久超级碰碰| 大香蕉520| 欧美情色一区| 黄久久久| 狠狠色狠狠干| 一级二级香港秋霞欧美欧美秋霞| 99视频只有精品| 丁香五月婷婷啪啪啪| 久久九九综合| 草榴视频黄色网| 九九www| 九九热AV| 99色一| 九九99久久| 久久五月视频| 97日韩无套内| 98永久精品| 五月丁香啪啪| 激情综合亚洲色婷婷五月| 丁香五月成人网| 婷婷99狠狠躁天天躁中| 久久小说| 婷婷九月丁香天堂丁香天堂| 久热精品视频在线观| 五月婷婷五月天天| 殴美日韩成人| 天天干天天干天天干| 丁香五月天影院| 99碰| j久久性爱视频| 99精品7| 99热资源在线| 99视频| 岛囯综合激情网| 欧美色宗和激情| 婷婷五月天777| 婷婷激情五月天激情| 五月天婷婷av| 伊人在线另类| 丁香五月婷婷基地| 婷婷丁香综合| 五月婷婷婷婷| 殴美97色| 激情五月天啪啪视频| 日韩精品无码99| 人人操AV| 亚洲永远av在线播放| 六月婷婷综合激情| 五月婷婷色情| 超碰亚洲天堂| 91国产精品视频播放| 丁香五月手机在线| 亚洲丁香网| 操逼三区| 九久九精品| 五月丁香婷婷综合久久| WWW.夜夜| 久久人妻久久| 欧美天堂婷婷日韩| 在线99热| 婷婷婷婷婷开心无码播放| 丁香五月成人网| 久色大香蕉| 日本综合久久| 欧美日本va| 亚洲无码色| 日韩婷久| 99er免费在线观看| 在线中文字幕av| 91麻豆国产三级精品福利在线观看| 色狠狠综合网| 婷婷色爱| 九九热精品在线| 在线视频激情网站| 婷婷五月天激情小说网站| 色五月超碰| 中文成人在线| 色丁香五月天| 五月婷婷丁香瑟瑟视频| 成功精品影院| 99人碰碰碰| 成人精品99| 丁香五月婷婷网| www.久操| 亚洲99激情| 9热在线观看| 丁香色婷婷色手机免费在线| 超碰在线免费| 日韩精品无码99| 日本啪啪网| 亚洲99热| 欧洲激情五月天婷婷| 97欧美在线| 丁香五月亚洲综合丝袜| 激情五婷精品网在线观看网址| 久久久久久人妻| 无码视频国内精品久久久| 99视频自拍| 五月天婷久精视频| 亚洲丁香花五月丁香花| 丁香激惜男女| 综合性爱网| BlACKEDRAW视频一区二区| 天天肏屄夜夜爽| 色婷婷丁香五月天在线观看| 国产精品激情AV久久久青桔| 久久黄A片| 色欲午夜无码久久久久久张津瑜| 五月停亭久久电影| 亚洲视频在线观看99| 婷婷黄色| 久久婷中文字幕| 影音先锋人妻出差| 人妻熟人中文字幕一区二区| 超碰三级秋霞| 97色婷婷| 成人欧美日韩| 色欲午夜无码久久久久久张津瑜| 丁香五月天日韩无码| 国产阿姨日皮艹逼内射视频| 色色射| 超碰在线超碰| 久久人妻视频| 欧美婷婷九月| 五月婷婷丁香综合网| av亚洲国产小电影| 伊人青草成人| 激情色色色| 激情综合在线观看| 狠狠操狠狠操| 色色婷婷婷丁香五月天| 五月天婷婷中文字幕在线播放| 午夜69成人做爰视频| 中文网AV| 狠狠狠狠狠狠狠狠| 丁香五月性| 日韩操逼大片| 国产婷婷综合| 99视频在线| 日本97在线看片| 亚洲一区二区无码蜜乳av| 欧美激情综合色综合啪啪五月| 91丨九色丨熟女高潮| 日韩精品999| 久99久99精品免| 亚洲日韩欧美综合VA| 亚洲欧美日韩VIP| 天天网站天天爽| www.激情| 亚洲精品欧洲精品| 欧美在线干| 色噜噜狠狠色综| 91视频一起草| 九九色欲网| 久久婷五月综合| 啪啪操操| 99热免费精品| 97干网站| 99无码超碰| 天堂色婷婷| 亚洲综合在线播放| 黄网免费看| 亚洲成人一区| 超碰人人在线| 青草五月天| 色色色色热热| 久久精彩视频| 五月丁香六月婷婷中文版| www.狠狠| 久草久青福利| 狠狠精品干练久久久无码中文字幕| 情五月亚洲婷婷| 激情五月综合网| 天天插天天草人人玩| 99热国品| 婷婷五月天婷婷| 99碰碰。| 人人爽欧美婷婷久久久五月丁香| 欧洲区自拍| 日日撸夜夜操| 色婷婷五月在线| 亚洲激情综合网| 亚洲在线综合| 99精品综合| 色五月丁香总合网| 午夜精品人妻无码一区二区三区 | 91色性感五月婷婷丁香| 天天xxxxxx天天日| 91n网站cad入口在线观看| 婷婷激情五月综合| 久久精品99久久| 色色丁香| 五月丁香六月日逼| 亚洲激情四射色| 日本熟女内射| 婷婷五月天综合AV| 婷婷五月综合激情| 成人婷婷五月天| 国产午夜成人免费看片无遮挡| 国产成人va在线| 六月婷婷操逼| 五月激情网站| 天天爽天天爽天天爽天天爽天天爽天天爽天天 | 色情综合| 久久这里只有精品视频26| 亚洲AV成人精品网站在线播放| 天天日日夜夜爽。| 97艹| 99热亚洲精品| 久久久婷丁香五月| 97超碰欧美中文字幕| 亚洲av日韩无码| 天天肏视频| 激情小说五月天| 67194国产| 天天插天天射| 99精品视频在线观看| 色五月,com| 99热在线观看| 五月天婷婷Av| 香焦网五月天| 五月婷婷丁香综合| 亚洲高清在线| 综合久久综合综合| 91精品刘玥| 日日日日日| 九九综合久久| 天天综合中文| 天天干天天曰天天射| 成人短视频在线| 综合色图婷婷| 久久婷综| av婷婷丁香| 久久精品99国产精品日本| 91九色首页| 日本久久人| 五月婷婷综合久久| 婷婷五月亚洲综合| 大香蕉啪啪| 五月丁香香蕉| 丁香五月人妻| 激情图片五月天| 秋霞性爱AV| 直接看的AV| 丁香五月天啪啪激情综合网| 久久综合九九| 中文字幕在线资源| 色色五月婷婷久久| 亚洲情色一区| 国产人妻777人伦精品HD| 麻豆AV一区二区三区| 久99久视频| 99色综合| 99久久网站| 99热只有这里有精品| 丁香五月天堂网| 五月天色小说| 五月伊人91| 丁香五月天婷婷大香蕉| 五月婷婷婷色| WWW.五月com| 97偷拍对白视频| 五夜丁香| 丁香九月综合| 人人爱干人人爱草| 淫荡综合网| 99热| 超碰精品在线| 婷婷丁香18| 最新日韩AV中文字幕| 久久9热综合| 丁香五月综合激情啪啪| 九九热九九| 影音先锋激情网| 日日爽日日| 五月天激情四射网站| 九九综合| 国产成人网| 日本强伦片中文字幕免费看 | 丁香婷婷综合精品六月初| 久久在这里有精品| 国产片色| 久久九九@| 狠狠CAO日日穞夜夜穞AV | 92久久精品一区二区| 色综合激情图区| 六月丁香停| 丁香五月综合激情久久潮喷| 五月激情综合婷婷| 亚洲日日日| 天天色视频| 99视频综合网| www,色综合| 婷婷基地成人五月天| 五月丁香中文字幕| 97干欧美| 中国女人做爰A片| 五月婷婷草| 中文不卡一二三区| 欧美婷婷精品激情| 91精品婷婷国产综合久久| 国产成人AV不卡| 久久免费丁香| 99视频精品8| 91干| 日本女色人人| 大香蕉九九| 欧美婷| 91免费看片| 强辱丰满人妻HD中文字幕| 任你弄在线视频免费| 天堂在线9| 九九视频这里是精品五月| 丁香六月婷婷姐网| 午夜婷婷久久| 777精品久无码人妻蜜桃| 色停停影院五月天| 婷婷综合五月激情| 婷婷五月天无码| 国产精品第一国产精品| 九色PORNY9l原创自拍| 亚洲日日日| 91五月天| 婷婷无码视频| 五月婷婷五月天亚洲无码| 99色在线视频| 艹天天射| 丁香激情五月少妇| 天天射影院| 久99综合婷婷| 婷婷十月丁香| 免费视频WWW在线观看网站| 秋霞av不能| 久热只有这里有精品| 99热最新精品| 综合激情专区| 色五月五月天| 五月婷婷欧洲| 99热在线观看99| 99热只有这里才是精品| 六月丁香社区| 天天做天天爽| 五月综合激情| 日日夜夜天天| 免费AV在线网址| 婷婷五月成人系列| 人妻日日日| 久热九九| 九九热这里| 五月丁香久久激情综合| 国产片色| 丁香五月亚洲综合丝袜| 婷丁香五月天| 激情五月天色色色| 色综合综合网| 欧美性爱五月天| 成人婷婷色五月天| 99免费热视频在线| 亚洲无码成人网| w婷婷五月婷婷w| 亚洲成人中心| 热99一二三| 99免费视频网| Av中文在线| 久久性爱视频久久性爱视频| 五月婷婷 婷婷五月 一区二区 久久久| 日本WWW九九九| 激情亭亭五月| 五月人妻婷婷视频| 91干婷婷| 伊人五月成人| 91啪啪| 99在线免费视| 国产精品久久久爽爽爽麻豆色哟哟| 99热日韩| 欧美在线视频99| 小视频aaa久久久| 亚洲色五月天| 狠狠色婷婷丁香六月| 激情久久伊人| 性爱视频99| 亚洲性爱AV| 色99网站| www.AV在线| 激情五月丁香亭亭| 99热这里只有精品1025| 亚洲成人五月天| 丁香五月色色| 噼里啪啦完整版中文在线观看| 精品99网站| 色婷丁香91| 久久精品视频在这里有| 五月天丁香色色| 在线观看中文字幕| 武则天精品久久| 99热精品在线观看| 色色色99韩| 无码AV免费精品一区二区三区 | 手机激情网| 九九99视频精品| 99久在线精品99re8| 丁香激情五月少妇| 五月天婷婷激情在线色图| 99r久久这里只有精品| 日日日影院| 色色色宗合网| 91丨九色丨丰满人妖| 第四色色六月色综合| 婷婷99| 热99精品视频观看| 亚洲天堂婷婷丁香| 五月天综合激情网| 99视频久久久| 乱精品一区字幕二区| 九九热视频免费观看| 中文字幕免费高清电视剧| 人妻肉射免费观看| 日本色99网站| 久久久久久人妻| 婷婷伊人无码| 激情丁香久久| 婷婷五月天久久久| 人人看人人摸人人| 婷婷五月天奸女| 国外亚洲成AV人片在线观看| 毛片毛片毛片毛片| www.99操| 深夜男女福利刺激影院一区| 国产夫妻操逼内射视频| 大香蕉操操| 日韩成人影片网站| 色色色五月婷婷| 久久 视频这里只有精总| 久青操| 大地资源色婷婷视频在线 | 五月香婷婷| 久久视频在线| 91ncom.色| 国产视频色色色色色色色| 91视频综合网| 婷婷十月丁香| 密黄站| 丁香九色不卡aaa| 六月婷婷激情| 五月天婷婷在线视频| 五月丁香婷婷久久| 97碰在线免费观看| 伊人综合网站| 99热在这里只有精品| 色 色 色综合com| 99热思思在线观看| 美国不卡视频| 91九九| 亚洲九区| 午夜婷婷久久 | 婷婷五月天视频免费在线观看| 日韩色色色99| 国产操碰| 综合色在线| 丁香久久| 国产成人高清| 岛国av电影网站| 《亚洲操B久久免费在线观看,亚洲操B久久在线播放》在线播放 - 高清资源 - 97 | www.丁香黄色五月天人与| 色色色999| 久久总和99| 超碰国产AV| 99ri视频在线观看| 99久操视频| 午夜无码熟熟妇丰满人妻| 色色免费网站| 综激情网| 色婷婷五月天成人网| 天天做天天爱天天要| 人人看人人摸人人| 综合激情五月丁香| 久久久久久久久久久久久久人妻视频| 欧美久久婷婷| 综合久久高清| 婷婷色偷拍| 94干大香蕉| 五月天丁香欧美激情| 影音 五月 婷婷 久久| 久久97久久99久久综合欧美| 国产精品99久久久久久久女警| 丰满人妻一区二区三区| 26uuu欧美日本| 欧美熟女99| 激情久久肏屄视频| 五月天综合色| 开心婷婷五月| 丁香五月综合激情性爱| 久久9热| 丁香五月手机在线| 久久综合五月天| 伊人干综合| 婷婷丁香五月天激情| 亚洲六月婷婷| 久久精品一区二区三区四区| 婷婷99狠狠躁天天久久久九九九| 久久五月婷天天干| 九月色婷婷综合亚洲| 波多野结衣不卡AV| 艹色18p| 人妻aV在线| 丁香六月久久| 婷婷久久欧美| 六月丁香婷啪射| 日日操天天爽| www,超碰| 丁香九月婷婷综合| 久操大香蕉| 可以直接看的AV| 一点色成人网| 婷婷亚洲在线| 成人色图情色成人网 www.5b5b5bcom 五月天| 婷婷色吧| 综合玖玖性爱免费视频| WWW,激情五月天,COM| 激情五月天综合图片小说网站| 色宗合久久五月婷婷| 五月丁香六月情| 国产在线黄色| 久久激情网| 日韩xx在线| 停停五月色宗合| 免费AV播放| 这里只精品| 狠狠色丁香婷婷综合久久97AV| 五六月丁香激情视频| 婷婷六月天激情| 天天插综合| 五月成人丁香av91| 婷婷久久性爱| 久久久久久草黄色片AV在线观看| 青青草婷婷综合五月| 天天做天天爱综合| 亚洲天堂爱爱| 国产欧美精品AAAAAA片| 婷婷五月丁香A∨| 色婷婷六月性| 五月亭亭六月天| 亚洲精品大片| 99热8在线| 五月天婷婷激情在线色图| 99久热| 日本熟妇人妻在线| 99免费视频| 强壮的公次次弄得我高潮A片日本 | 玖玖91| 国产成人+综合亚洲+天堂| 五月天色官网| 蜜桃人妻无码AV天堂三区| 狠狠操狠狠| 亚洲AV无码一区二| 激情综合色五月六月婷婷| 99热这里只有精品青草| 涩五月婷婷| 新激情五月天| 九九综合色| 天天做天天爱天天要| 婷婷丁香五月,狠狠综合| 激情五月天婷婷免费观看| 小视频在线亚洲| 91成人性爱视频| 色色97丁香婷婷五月天| 4438全国最大视频成人网站在线观看 | 激情久久四色| 日本网站久久| 五月婷婷深深爱| 色婷婷综合综合网| 少妇丁香婷婷 | 天天爽天天摸| 国产性爱一级| 九九无码| 五月婷A V在线| 久久99草五月婷婷| 九九这里是免费的视频5| 99久在线精品99re8热| 综合在线丁香五月| 五月婷婷网五月在线| 丁香 久久| 播播网色播播| 香蕉视频性爱BB做爱| 超碰A V在线| 九九精品综合| 亚洲丁香五月深爱五月| 丁香激情五月少妇| 人妻av在线| 亚洲日韩一页精品发布| 久久青草国| 中文字幕97超级碰| 天天综合久久| 自拍盗摄 另类| 玖玖综合色| 中文字幕乱码亚洲精品一区| 色综久久久| 亚洲无码www| 久久五月天婷婷视频| 中文不卡一二区| 色五月涩涩婷婷| 久久性爱视频| 久久亭亭电影| 色丁香五月天射婷婷爱婷婷| 天天爽夜夜爽夜爽精品| 婷婷五月天影院| 色色99| 人妻六月天| 五月婷婷性爱| 人人视频色| 操操天堂| 婷婷影视久久| 97香蕉久久超级碰碰高清版| 久久这里只有精品无码| 色色色在线观看| 中文字幕黄色片| 色欧美色色色| 婷婷五月天综合网| 色婷婷AV五月天| 激情六月丁香| 久久久婷婷五月天| 丁香五月婷婷激情网| 婷婷五月蜜桃成人桃色丁香| 激情综合网五月婷婷| 欧美人与性动交CCOO| 99在线爽| 少妇日麻屄| 日韩三级高清无码| 婷婷五月成人| 人人干人人操外国| 综合色天天| 91人人操人人| 丁香久久在线| 美日韩成人| 五月丁香欧美综合免费视频| 久久92| 中文超碰视在线| 五月欧美色播| 开心五月天激情网| 五月丁香婷婷五月色| 五月大香蕉| 婷婷丁香成人五月天| 狠狠综合网| 久久婷婷网| 综合五月天完整| 久久婷婷五月天| 久久9热| 这里只有精品免费视频在线观看| 亚洲激情另类| 97超碰在线免费观看| 这里只有精品视频在线看| 思思re99视频在线观看| 色五月婷婷天堂| 色婷婷丁香AV综合| w婷婷五月婷婷w| 伊人在线大香蕉网| 99热99思午夜精品| 成人婷婷| 九月丁香婷婷网| 五月婷无码| 激情五月丁香五月| 色五月偷偷| 99爱在线视频观看| 免费看欧美成人A片无码| 亚洲五月婷婷| 9热精品| 1024你懂的欧美曰韩| 五月婷婷久久综合| 五月天婷婷无码| 91婷婷伊人牛牛| 五月久久丁香| 久久综合久色欧美综合狠狠| 久久久久久久综合狠狠综合| 视频一二区| 婷婷五月丁香激情图片 | 五月综合丁香婷婷| 天天色天天操天天射| 丁香婷婷影院| 天天舔天天| 日本色五月| 五月丁香亭亭操逼| 开心五月激情网| 97性高潮久久久| 久9无码视频| 婷婷六月综合在线| 欧美婷婷丁香五月| 婷婷五月激情中文字幕| 欧美综合在线五月天色婷婷| 人妻操日日| 五月天成人小说| 很很操很很操| 99九九精品视频推荐| 操操天堂| 日日操日日干| 五月色情婷婷| 亭亭五月色男人| 狠狠狠狠狠操| 色色激情网| 亚洲亚洲人成综合网络| 狠狠干在线| 久久黄A片| 就去色色五月丁香婷婷久久久| 日韩色五月| 欧美一区二区三区不卡影视| 日韩大片艹艹| 婷婷五月色| 久久一热| 婷婷在线视频| 九九99偷拍视频| 99色婷婷| 激情色视频| 97操操操| 亚洲综合色婷婷文学| 色播综合| 99视频一区| 91精品丝袜久久久久久| 日逼影音先锋男人资源站| 色五月天在线观看| 99热这里只要精品免费| 天天骑日日爽| 热婷婷在线视频| 色综合天天| www.五月天婷婷| 色婷婷五月天天天天天天天天天| 91视频五月丁香| 色www久视频| 婷婷五月天激情小说| 激情婷婷综合五月少妇| 天天激情5月天亚洲| 97伦色婷婷| 91人妻PORNY九色大屁股| 色婷婷六月丁香综合欲精品| 色狠狠999综合网| 玖玖爱导航| 午夜成人片400| 99日本黄站| 激情婷婷网| 精热在线综合网| 亚洲另类AV| 色婷婷成人做爰A片免费看网站| 日本爆乳片手机在线播放| 五月丁香婷婷婷婷综合网| 欧日韩成人| 丁香婷婷综合影院| 激情网 五月天| 久久加勤综合| 可以直接看的av| 婷婷五月色综合| 久久538| 婷婷美女精品视频| 亚洲av网址| 尤物一区二区| 久久五月天婷婷| 人人摸人人澡人人| 五月天电影网| 丁香丁香激情网| 国产FREESEXVIDEOS性中国| 婷婷舔| 性爱111111| 久久婷丁香五月| 激情综合色网| 国产亚洲成AV人片在线观黄桃| 欧美亚洲操逼| 性爱七区| 可以直接看的av| 激情丁香五月激情婷婷| 色综合久久综合| 91色综合| 六月米奇色综合| 婷婷影院欧美| 色情五月综合婷婷| 99久久成人| 91综合在线视频| 色婷婷丁香五月| 2025天天操| 99热在线精品播放| 国产日产亚洲系列最新| 欧美丁香五月夫妻天| 综合激情五月丁香| 丁香六月成人| www.henhenl| 六月婷婷私欲| 欧美激情中文字幕| 99色在线视频| 五月综合激情视频在线| 色色激情五月天| 日本婷婷色| www.狠狠| 夜夜撸天天日| 婷婷五月丁香综合| 亚洲精品一区无码A片| 婷婷俺去也| 色婷婷欧美在线| 五月丁香六月色婷婷综合五月天| 人妻精品在线| 欧美色97| 久久婷婷激情四射五月天| 久久综合综合综合| 99re8热精品免费视频| 婷婷综合中文| 久久er99热精品一区二区| 激情综合一| 天天干天天日天天操| 婷婷综合五月| 五月丁香六月婷婷的女人| 婷婷成人五月天| 99热只有| 婷婷久久五月天| 色五月在线观看| 91狠狠色丁香婷婷综合久久精品| 国产成人av在线播放| 大香蕉久久婷婷| 激情五月六月| 99网99热| 五月丁香婷婷五月| 久久婷婷综合五月天| 五月亭亭综合五码| 激情婷婷五月基地| 欧美爆乳一区二区三区| 五月天婷婷五月| 天堂AV在线看| 丁香婷婷在线| 97五月天婷婷| 日日插日日干| 天天干天天射综合网| 激情网综合| 91久久婷婷人人澡草| 日日夜夜小色哥| 亚洲色激情| 丁香五月天中文字幕| 最新丁香六月婷婷| 夜夜谢天天干| 激情中文在线| 先锋资源91| 欧洲亚洲免费视频9| 婷婷五月天激情小说| 国产激情久久久| 丁香婷婷六月| 婷婷丁香六月| 99精品在线播放| 婷婷六月五月天综合| 无码一区二区日韩| 丁香五月婷婷色情综合| 亚洲成人无码免费| 无码少妇高潮喷水A片免费| 丁香六月啪啪啪| 五月婷婷激情视频| 成人在线视频一区| 男女免费视频999| 激情都市另类| 激情五月综合网| 这里只有精品视频在线| 色综色五月天婷婷| 五月天天丁香婷婷在线中| www91精品| 91丨九色丨国产打屁股网站| 国产精品18久久久| 国产午夜一区二区三区| 九九视频这里只有精品| 欧美色狠婷久| 五月亭亭六月激情| 色青五月天| 色久五月天| 97碰人人操| 九色婷婷| 五月激情在线| 99久热| 天天干天天干天天干| 99热这里只有精品免费观看| 亚洲成人电影aaaa| VA婷婷| 激情婷婷五月天。| 精品人人操| 美欧成人视频| 久久精彩视频18| 精品无码久久久久久久久| 99热这里只有精品4| 久久五月综合| 激情综合无码| 国产无人区大片| 日韩1区2区| 婷婷色激情五月天| 六月丁香婷婷在线波多 | 天天色99| 五月丁香六月情| 天天日夜夜操五月| xxx日本东京热| 五月丁花色综合网| 思思热久久阴99| 久久99久久99精品免观看粉| 狠狠爱婷婷丁香| 色情网综合| 婷婷五月丁香第四色超碰在线| 色综合五月天| 久久婷婷亚洲| 97久久久久| 久久久激情视频| 九九热精品| 久久综合综合综合| 新97人人上人人| 色高清无码视频| 婷婷色正月| 欧美97色| 双性美人被调教到喷水A片| 在线观看欧美3区| 丁香五月自拍| 丁香婷五月天| 久久久久久丁香五月| 成人永久免费视频在线观看| 九九亚洲视频| 天堂久久久久天堂网| 丁香五月婷婷亚洲色图| 天天搞夜夜六| 婷婷久久亚洲| 激情久久综合| 99在线精品免费视频| 欲求不满的人妻| 丁香六月婷婷久久综合| 婷婷五月丁香久久| 五月精品| 天天综合精品| 亚洲黄色操逼| 激情五月天色色网| 991国产精选视频在线播放下载| 久久婷婷综合拍| 大香蕉久久草| 97狠狠色| 久久久人妻人伦| 99热这里只有精品在线免费| 六月色婷婷欧美| 天天激情夜夜干| 五月丁香亚洲综合| 日韩婷婷| 久草五月丁香婷婷综合| 爱操人妻| 狠狠操狠狠干综合| 色婷| 激情五月成年| 日韩AV在线免费观看| 丁香五月天婷婷久久综合| 另类视频五月天| 五月丁香成人网|