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。

Transformer從零實現(xiàn):核心原理與PyTorch實戰(zhàn)

Transformer從零實現(xiàn):核心原理與PyTorch實戰(zhàn) 如果你正在做 NLP、圖像分類、時序預測或者只是刷到“Transformer 漲點”“手撕 Transformer”這類詞卻還不太清楚它內(nèi)部到底怎么運轉這篇內(nèi)容就是給你準備的。先給一個明確判斷Transformer 不是一個只屬于 NLP 的模型結構它已經(jīng)從語言模型走向了視覺、語音、時序預測、推薦系統(tǒng)等幾乎所有深度學習領域。真正理解它不是背下來“自注意力 多頭 位置編碼”這幾個名詞而是能回答下面三個問題為什么 RNN 會被它替代它的每一層結構到底在處理什么如果讓我從零實現(xiàn)一個最小可用版本我該怎么寫這篇文章不會只停留在概念層面。我會從問題切入講清楚 Transformer 的核心原理然后用 PyTorch 從零實現(xiàn)一個可以訓練的分類模型跑通訓練和驗證流程。接著再把視野擴展到 Vision Transformer、Swin Transformer 這些熱門變體最后給出工程落地和調(diào)試建議。如果你之前看公式看得頭大或者復制過別人的代碼卻不知道怎么改這篇文章會盡量讓你讀完后能自己動手。1. 為什么最后是 Transformer很多人第一次接觸 Transformer是在學習 NLP 的時候。當時主流的序列建模工具是 RNN、LSTM、GRU。它們有一個天然問題按時間步順序處理序列。這意味著第 100 個詞要等前 99 個詞算完才能開始訓練速度慢而且長距離依賴容易丟失。雖然 LSTM 通過門控機制緩解了梯度消失但本質上仍然受限于“按順序”這個約束。CNN 在 NLP 里也被用過。TextCNN 通過不同尺寸的卷積核提取 n-gram 特征優(yōu)點是能并行計算缺點是感受野有限。想要捕捉長距離關系就必須堆很多層或者用很大的卷積核效率不高。Transformer 換了一個思路不再依賴順序處理而是讓序列中的每個元素直接和所有元素計算相關性。這個機制叫自注意力。它帶來兩個關鍵變化計算可以并行訓練速度大幅提升。任意兩個位置之間只隔一次計算長距離依賴不再是難題。所以“為什么最后是 Transformer”這個問題的答案可以概括為它同時解決了 RNN 的串行瓶頸和 CNN 的局部感受野限制而且隨著數(shù)據(jù)量和算力增大它的擴展性遠好于前兩者。更重要的是Transformer 的架構足夠通用輸入不一定非得是文本只要你能把數(shù)據(jù)變成一組向量就能用 Transformer 處理。從工程角度看Transformer 還帶來了一個隱性優(yōu)勢統(tǒng)一建模。以前做文本用 RNN做圖像用 CNN做語音用專門的模型。現(xiàn)在 Transformer 提供了統(tǒng)一的基礎結構不同模態(tài)的數(shù)據(jù)經(jīng)過適當編碼后都能塞進同一個架構。這也是 GPT、BERT、ViT、Swin Transformer 等模型真正重要的原因——它們共享同一套底層設計邏輯。當然Transformer 不是沒有代價。它的計算復雜度是序列長度的平方顯存占用大訓練需要更多數(shù)據(jù)。這也是后面 Swin Transformer 這類模型嘗試優(yōu)化的方向之一。了解它的優(yōu)點和局限才算真正理解它。2. 核心機制自注意力與多頭注意力2.1 自注意力想解決什么問題先看一個具體場景。假設輸入一句話“小明把蘋果放在桌上然后拿走了它。”要讓模型知道“它”指代的是“蘋果”還是“小明”就需要讓“它”這個位置的向量能參考其他位置的向量。自注意力做的事情就是讓每個 token 根據(jù)自己的 Query 向量去所有 token 的 Key 向量上做匹配再用匹配結果對 Value 向量加權求和。用大白話說每個詞都發(fā)出一條查詢問“誰和我相關”然后根據(jù)收到的答案從其他詞那里匯總信息。這個匯總結果就是當前詞的新表示。整個過程可以做一次矩陣運算完全并行。2.2 縮放點積注意力公式自注意力的核心公式是Attention(Q, K, V) softmax(Q K^T / sqrt(d_k)) V其中Q 是 Query 矩陣代表當前元素要查詢的信息。K 是 Key 矩陣代表其他元素能被匹配的特征。V 是 Value 矩陣代表其他元素實際提供的內(nèi)容。d_k 是 Key 向量的維度除以 sqrt(d_k) 是為了防止點積結果過大導致 softmax 進入飽和區(qū)。從實現(xiàn)角度Q、K、V 通常來自同一個輸入序列 X經(jīng)過不同的線性變換得到Q X W_Q K X W_K V X W_V三種變換使用不同的權重矩陣才能讓模型在同一份輸入上學到不同視角的表示。2.3 多頭注意力不是一種注意力而是多套并行如果只做一次自注意力模型只能學到一種相關性模式。但真實語言中的關系是多樣的可能是語法關系、指代關系、語義相似關系等。多頭注意力把 Q、K、V 拆成 h 份每份獨立計算注意力最后把所有頭的結果拼接起來再經(jīng)過一個線性層。公式如下MultiHead(Q, K, V) Concat(head_1, ..., head_h) W_O head_i Attention(Q W_Q^i, K W_K^i, V W_V^i)多頭的好處有三個不同頭可以關注不同位置的關系。每個頭運行在更低維空間計算成本不會成倍增加。增加模型并行度表達能力更強。實際項目中BERT-base 使用 12 個頭GPT 使用 12 個頭ViT 的 large 版本使用 16 個頭。頭數(shù)不是越大越好頭數(shù)過大會導致每個頭的維度太小表達能力下降也會增加訓練開銷。2.4 注意力機制的一般視角還有一點值得理解注意力機制不是 Transformer 獨有的。早年機器翻譯中的 Bahdanau Attention 和 Luong Attention 就已經(jīng)用注意力來對齊源語言和目標語言。Transformer 的貢獻在于把它從輔助模塊變成了主架構并且用自注意力取代了所有循環(huán)結構。所以理解 Transformer本質上就是理解自注意力在深層網(wǎng)絡中的組織和實現(xiàn)方式。3. Transformer 總體架構拆解3.1 標準架構編碼器和解碼器原始論文《Attention Is All You Need》中Transformer 采用編碼器-解碼器結構兩條線分別處理后輸出。編碼器由 N 個相同的層堆疊每層包含兩個子層多頭自注意力層。逐位置前饋網(wǎng)絡。每個子層后面都接一個殘差連接和層歸一化。用公式表示就是x LayerNorm(x Sublayer(x))解碼器與編碼器類似但有兩點不同解碼器使用帶掩碼的自注意力防止當前位置看到未來位置。解碼器額外插入一個交叉注意力子層讓解碼器能關注編碼器的輸出。很多實際任務不一定需要完整的編碼器-解碼器結構。比如 BERT 只用編碼器適合理解任務GPT 只用解碼器適合生成任務。這個取舍在工程上非常常見后面講視覺變體時還會看到。3.2 位置編碼給并行模型一個順序概念自注意力本身不關心 token 的先后順序因為它同時計算所有兩兩關系。要引入順序信息必須在輸入向量里注入位置信號。原始 Transformer 使用正弦位置編碼PE(pos, 2i) sin(pos / 10000^(2i/d_model)) PE(pos, 2i 1) cos(pos / 10000^(2i/d_model))其中 pos 是位置索引i 是維度索引d_model 是模型維度。每個維度的頻率不同模型可以從角度關系里學到相對位置信息。工程上還有幾種常見位置編碼可學習位置編碼把位置向量當作普通參數(shù)訓練BERT 和 ViT 都采用了這種方案。相對位置編碼建模兩個 token 之間的距離而非絕對位置。旋轉位置編碼RoPE在 LLaMA 等大模型中被廣泛使用能更好地處理長序列。理解位置編碼的重要性是因為很多從零實現(xiàn) Transformer 的人最容易忽略的就是這里。如果你的模型在訓練時表現(xiàn)不錯但序列一變長效果就很差可以先檢查位置編碼的方案。3.3 前饋網(wǎng)絡與層歸一化每個 Transformer 塊中的前饋網(wǎng)絡Feed-Forward NetworkFFN由兩個線性層和一個激活函數(shù)組成。常用的設置為FFN(x) max(0, x W_1 b_1) W_2 b_2第一個線性層將維度從 d_model 擴展到 4 * d_model第二個線性層再降回 d_model。中間用一個 ReLU 激活函數(shù)有些實現(xiàn)會換成 GELU。層歸一化LayerNorm對每個 token 的特征維度做歸一化。它與 BatchNorm 的主要區(qū)別BatchNorm 對一個 batch 的同一特征維度做歸一化依賴 batch 大小。LayerNorm 對單個樣本的所有特征做歸一化不依賴 batch 大小在 NLP 和 Transformer 中更穩(wěn)定。公式LayerNorm(x) (x - mean) / sqrt(var eps) * gamma beta這里的 gamma 和 beta 是可學習參數(shù)。3.4 殘差連接的意義Transformer 層數(shù)一般很深BERT-base 有 12 層GPT-3 有 96 層。如果沒有殘差連接梯度很難傳到淺層。殘差連接讓每一層的輸出變?yōu)?x Sublayer(x)相當于把原始信息沿著網(wǎng)絡直接傳遞。這既緩解了梯度消失也保證了模型不會因為層數(shù)增加而明顯退化成恒等映射。4. 環(huán)境準備與前置條件在動手寫代碼前先說明運行環(huán)境。本文核心演示使用 Python 和 PyTorch具體版本以你實際安裝為準思路在不同版本下都適用。建議環(huán)境操作系統(tǒng)Windows / Linux / macOS 均可。Python 版本3.8 或更高。PyTorch2.0 或更高。CUDA如果你有 NVIDIA 顯卡建議安裝 CUDA 版 PyTorch訓練會快很多。Jupyter Notebook 或 VS Code 均可。如果還沒安裝 PyTorch可以用下面的命令安裝 CPU 版本pip install torch torchvision需要 GPU 支持的話建議到 PyTorch 官網(wǎng)選擇對應的 CUDA 版本安裝命令這里不寫死某個版本的 CUDA 號以免因為顯卡驅動不匹配導致安裝失敗。安裝完成后可以運行一段代碼驗證環(huán)境import torch print(torch.__version__) print(torch.cuda.is_available()) device torch.device(cuda if torch.cuda.is_available() else cpu) print(device)如果打印的版本正常并且torch.cuda.is_available()在有 GPU 的機器上返回 True就說明環(huán)境沒問題。5. 手撕 TransformerPyTorch 從零實現(xiàn)這一章是全文核心。我們不用現(xiàn)成的nn.Transformer而是手動實現(xiàn)每個組件這樣你能真正理解內(nèi)部機制。5.1 項目結構為了方便維護建議用下面的文件結構transformer-tutorial/ ├── data.py # 數(shù)據(jù)準備 ├── model.py # Transformer 模型定義 ├── train.py # 訓練腳本 └── utils.py # 輔助函數(shù)這里為了控制篇幅把關鍵代碼放在 model.py 和 train.py 中方便組合運行。5.2 模型定義model.py先引入依賴import torch import torch.nn as nn import math然后是縮放點積注意力class ScaledDotProductAttention(nn.Module): def __init__(self, dropout0.1): super().__init__() self.dropout nn.Dropout(dropout) def forward(self, q, k, v, maskNone): d_k q.size(-1) scores torch.matmul(q, k.transpose(-2, -1)) / math.sqrt(d_k) if mask is not None: scores scores.masked_fill(mask 0, float(-inf)) attn_weights torch.softmax(scores, dim-1) attn_weights self.dropout(attn_weights) output torch.matmul(attn_weights, v) return output, attn_weights這段代碼有幾個關鍵細節(jié)scores 的維度是 [batch_size, num_heads, seq_len, seq_len]。除以 sqrt(d_k) 是為了穩(wěn)定梯度。mask 中為 0 的位置會被替換成負無窮softmax 后這些位置的概率趨近于 0。返回 attn_weights 是為了方便可視化注意力權重。然后是單頭注意力模塊class MultiHeadAttention(nn.Module): def __init__(self, d_model, n_head, dropout0.1): super().__init__() assert d_model % n_head 0, d_model must be divisible by n_head self.n_head n_head self.d_k d_model // n_head self.w_q nn.Linear(d_model, d_model) self.w_k nn.Linear(d_model, d_model) self.w_v nn.Linear(d_model, d_model) self.w_o nn.Linear(d_model, d_model) self.attention ScaledDotProductAttention(dropout) self.dropout nn.Dropout(dropout) def _split_heads(self, x): batch_size, seq_len, _ x.size() x x.view(batch_size, seq_len, self.n_head, self.d_k) x x.transpose(1, 2) return x def forward(self, q, k, v, maskNone): batch_size q.size(0) q self._split_heads(self.w_q(q)) k self._split_heads(self.w_k(k)) v self._split_heads(self.w_v(v)) x, attn_weights self.attention(q, k, v, mask) x x.transpose(1, 2).contiguous().view(batch_size, -1, self.n_head * self.d_k) output self.w_o(x) return output這里有一個很容易出錯的地方把多頭拆開計算后要記得把維度重新拼接回 [batch_size, seq_len, d_model]。同時view之前要確保 tensor 在內(nèi)存中是連續(xù)的所以需要調(diào)用contiguous()。接下來是位置編碼class PositionalEncoding(nn.Module): def __init__(self, d_model, max_len512, dropout0.1): super().__init__() self.dropout nn.Dropout(dropout) pe torch.zeros(max_len, d_model) position torch.arange(0, max_len, dtypetorch.float).unsqueeze(1) div_term torch.exp( torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model) ) pe[:, 0::2] torch.sin(position * div_term) pe[:, 1::2] torch.cos(position * div_term) pe pe.unsqueeze(0).transpose(0, 1) self.register_buffer(pe, pe) def forward(self, x): x x self.pe[: x.size(0), :] return self.dropout(x)位置編碼使用正弦余弦函數(shù)好處是它能外推到更長序列并且相對位置信息隱含在相位差中。下面是編碼器層class FeedForward(nn.Module): def __init__(self, d_model, d_ff, dropout0.1): super().__init__() self.linear1 nn.Linear(d_model, d_ff) self.linear2 nn.Linear(d_ff, d_model) self.dropout nn.Dropout(dropout) def forward(self, x): x self.linear1(x) x torch.relu(x) x self.dropout(x) x self.linear2(x) return x class EncoderLayer(nn.Module): def __init__(self, d_model, n_head, d_ff, dropout0.1): super().__init__() self.self_attn MultiHeadAttention(d_model, n_head, dropout) self.ffn FeedForward(d_model, d_ff, dropout) self.norm1 nn.LayerNorm(d_model) self.norm2 nn.LayerNorm(d_model) self.dropout nn.Dropout(dropout) def forward(self, x, maskNone): x x self.dropout(self.self_attn(x, x, x, mask)) x self.norm1(x) x x self.dropout(self.ffn(x)) x self.norm2(x) return x注意這里先做殘差再 LayerNorm這種寫法叫 Post-Norm是原始 Transformer 的實現(xiàn)方式。實際工程中很多模型改用 Pre-Norm即先 LayerNorm 再做殘差訓練更穩(wěn)定后面會細說。最后是完整編碼器模型class TransformerEncoder(nn.Module): def __init__(self, vocab_size, d_model, n_head, n_layers, d_ff, max_len, num_classes, dropout0.1): super().__init__() self.embedding nn.Embedding(vocab_size, d_model) self.positional_encoding PositionalEncoding(d_model, max_len, dropout) self.layers nn.ModuleList([ EncoderLayer(d_model, n_head, d_ff, dropout) for _ in range(n_layers) ]) self.norm nn.LayerNorm(d_model) self.fc_out nn.Linear(d_model, num_classes) def forward(self, x, maskNone): x self.embedding(x) x self.positional_encoding(x) for layer in self.layers: x layer(x, mask) x self.norm(x) cls_rep x[:, 0, :] # 取第一個 token 的表示作為分類結果 logits self.fc_out(cls_rep) return logits這里我們采用一個常見做法在每個序列開頭加一個特殊的 [CLS] token最后用它的表示做分類。這個思路來自 BERT在文本分類任務里非常實用。5.3 訓練腳本train.py再寫一個最小訓練腳本。數(shù)據(jù)部分用一個小型文本分類演示你可以替換成自己的數(shù)據(jù)集。import torch import torch.nn as nn from torch.utils.data import DataLoader, Dataset from model import TransformerEncoder # 假設有 4 條簡單樣本 texts [ this movie is great, the film is terrible, I love this book, what a waste of time ] labels [1, 0, 1, 0] # 構造詞表 def build_vocab(texts): vocab {pad: 0, cls: 1} for text in texts: for word in text.split(): if word not in vocab: vocab[word] len(vocab) return vocab vocab build_vocab(texts) max_len 6 def encode(text, vocab, max_len): tokens [cls] text.split()[: max_len - 1] ids [vocab.get(w, 0) for w in tokens] ids ids [0] * (max_len - len(ids)) return torch.tensor(ids, dtypetorch.long) class TextDataset(Dataset): def __init__(self, texts, labels, vocab, max_len): self.texts texts self.labels labels self.vocab vocab self.max_len max_len def __len__(self): return len(self.texts) def __getitem__(self, idx): x encode(self.texts[idx], self.vocab, self.max_len) y torch.tensor(self.labels[idx], dtypetorch.long) return x, y dataset TextDataset(texts, labels, vocab, max_len) dataloader DataLoader(dataset, batch_size2, shuffleTrue) model TransformerEncoder( vocab_sizelen(vocab), d_model32, n_head4, n_layers2, d_ff64, max_lenmax_len, num_classes2, dropout0.1 ) criterion nn.CrossEntropyLoss() optimizer torch.optim.AdamW(model.parameters(), lr3e-4) for epoch in range(30): total_loss 0 for x, y in dataloader: optimizer.zero_grad() logits model(x) loss criterion(logits, y) loss.backward() optimizer.step() total_loss loss.item() if (epoch 1) % 5 0: print(fEpoch {epoch 1}, Loss: {total_loss / len(dataloader):.4f})這里使用AdamW而不是傳統(tǒng) Adam因為它把權重衰減和梯度更新解耦是 Transformer 訓練中最常用的優(yōu)化器。5.4 這份實現(xiàn)缺了什么可以看到上面的實現(xiàn)是一個編碼器模型適合做分類但它不是完整的編碼器-解碼器 Transformer。如果你想做翻譯或生成任務還需要實現(xiàn)DecoderLayer加入掩碼自注意力和交叉注意力。masked_fill 的因果掩碼確保位置 i 只能看到它之前的位置。訓練時用 teacher forcing推理時逐步生成。不過對大多數(shù)想理解 Transformer 核心機制的人來說理解編碼器已經(jīng)建立了一個非常重要的基礎。6. 運行結果與效果驗證把上面兩個文件放在同一目錄下然后運行python train.py預期輸出類似Epoch 5, Loss: 0.6123 Epoch 10, Loss: 0.4371 Epoch 15, Loss: 0.2789 Epoch 20, Loss: 0.1682 Epoch 25, Loss: 0.1094 Epoch 30, Loss: 0.0731如何判斷模型訓練成功了Loss 是否在持續(xù)下降。如果 loss 停滯或升高說明學習率可能太大或代碼存在 bug。訓練完成后可以看預測結果model.eval() with torch.no_grad(): sample encode(this film is terrible, vocab, max_len).unsqueeze(0) logits model(sample) pred torch.argmax(logits, dim-1).item() print(Predicted label:, pred)如果訓練順利這條樣本應該輸出 0。如果輸出 1說明模型還沒收斂可以增加訓練輪數(shù)。從實操角度看這里第一個要檢查的地方不是 loss而是:詞表構建是否正確有沒有把詞映射到正確的索引。輸入 batch 是否完整填充到相同的長度。位置編碼的維度是否和 embedding 維度一致。7. 從 NLP 到視覺Vision Transformer 與 Swin TransformerTransformer 真正讓人驚訝的地方是它從語言模型進入了計算機視覺領域并且開始挑戰(zhàn) CNN 的地位。7.1 Vision Transformer 的核心思路Vision Transformer 的做法很直接。把一張圖片切成一堆 patch比如 224x224 的圖片切成 16x16 的 patch會得到 196 個 patch。每個 patch 展平成一個向量經(jīng)過線性映射后變成 token。再加上一個 [CLS] token 和位置編碼然后送入標準的 Transformer 編碼器。最后用 [CLS] token 的表示做分類。這個設計最吸引人的一點是幾乎沒有為視覺任務定制專門的架構直接把圖像變成了序列就取得了很好的效果。它證明 Transformer 的建模能力不限于文本。但 ViT 有一個明顯弱點需要大規(guī)模數(shù)據(jù)預訓練。因為 patch 之間沒有 CNN 那種天然的先驗知識在小數(shù)據(jù)集上容易過擬合。7.2 Swin Transformer 的改進Swin Transformer 為了解決 ViT 的問題引入了兩個關鍵設計層次化結構不同階段逐漸降低分辨率、增加通道數(shù)類似 CNN 的 pyramid 結構。窗口注意力在局部窗口內(nèi)計算自注意力限制計算復雜度。窗口注意力雖然減少了計算量但窗口之間信息無法交互。Swin Transformer 為此引入了 shifted window 機制交替移動窗口讓不同窗口之間的 token 有機會互相看到。這樣既保留了 Transformer 的建模能力又讓計算復雜度從 O(n^2) 降到了 O(n)。從工程角度看Swin Transformer 的一個價值在于它更容易復用到檢測、分割等稠密預測任務上。ViT 處理這類任務時需要額外設計而 Swin 的層次化結構天然適配。7.3 視覺 Transformer 的落地選擇做圖像分類時到底該選 CNN 還是 Transformer一個務實的建議是如果數(shù)據(jù)集很小比如幾千張圖片建議先從 ResNet 這類 CNN 入手。如果有大規(guī)模數(shù)據(jù)或者能用預訓練權重ViT 和 Swin Transformer 值得優(yōu)先考慮。如果要部署到邊緣設備CNN 在速度、顯存占用、推理優(yōu)化上通常更省心。這里并不是說 Transformer 一定比 CNN 好只能說它的架構選擇面更寬、上限更高但需要的數(shù)據(jù)和算力也更多。8. Transformer 的改進方向與工程實踐8.1 訓練穩(wěn)定性原始 Transformer 的 Post-Norm 結構在深層網(wǎng)絡下容易出現(xiàn)訓練不穩(wěn)?,F(xiàn)在的主流做法是 Pre-LayerNorm即x x Sublayer(LayerNorm(x))這個改動雖然簡單但對深層模型有明顯幫助。GPT、BERT 后續(xù)版本以及很多開源大模型都采用了 Pre-Norm 結構。理解這一點的價值在于你在復現(xiàn)別人代碼時會看到兩種不同的寫法不要覺得是錯誤只是設計選擇不同。8.2 長序列優(yōu)化Transformer 平方復雜度的短板催生了一系列優(yōu)化方法sparse attention只讓每個 token 關注部分位置而不是全部。FlashAttention從訪存優(yōu)化的角度減少顯存占用不改變數(shù)學結果。Longformer、BigBird針對超長文本設計稀疏注意力模式。上下文擴展在大模型中通過調(diào)整位置編碼的方式支持更長上下文。實際應用里如果你只是處理幾千 token 的文本標準注意力完全夠用。如果文本動輒幾萬甚至幾十萬 token就需要考慮這些優(yōu)化手段。8.3 工程落地建議在實際業(yè)務中很少有人真的從隨機初始化開始訓練一個 Transformer。最穩(wěn)妥的路徑是使用預訓練模型比如 BERT、RoBERTa、ViT、Swin Transformer。在自己的領域數(shù)據(jù)上做微調(diào)fine-tuning。評估效果時不僅看準確率還要看推理延遲、顯存占用、模型體積。這里要特別提醒一點如果你用預訓練模型上游模型使用的分詞器和你的文本處理方式必須一致。很多亂碼和效果差的問題源頭其實是分詞器配置不對而不是模型結構改錯了。8.4 關于“漲點”這件事熱搜里經(jīng)常能看到“Transformer 漲點”的說法。所謂漲點是指通過調(diào)整模型結構或訓練策略在某個 benchmark 上提升指標。常見漲點手段包括改位置編碼從絕對位置編碼換成 RoPE。調(diào)整初始化某些初始化策略對深層網(wǎng)絡的收斂速度影響很大。用更好的激活函數(shù)比如把 ReLU 換成 GELU 或 SwiGLU。調(diào)整 dropout 位置在 attention 計算后的 dropout 和 FFN 后的 dropout效果差異較明顯。但漲點往往依賴具體數(shù)據(jù)和任務。別人在論文里漲點不意味著你的業(yè)務也一定漲。務實的做法是把改進當作實驗變量每次只改一個因素記錄效果而不是一股腦堆疊所有技巧。9. 常見問題與排查方法問題現(xiàn)象可能原因排查方式解決方案Loss 不下降學習率過大或過小數(shù)據(jù)歸一化不一致打印梯度統(tǒng)計嘗試多個學習率使用 warmup 合適的學習率如 3e-4訓練時報 NaN注意力分數(shù)過大分母為 0檢查輸入是否包含 NaN檢查位置編碼確認 mask 正確增加 eps降低學習率序列長度變化時報錯位置編碼 max_len 設置過小查看報錯堆棧中的 reshape 行增大 max_len或改用相對位置編碼多頭注意力維度不匹配d_model 無法被 n_head 整除檢查 assert 條件調(diào)整 d_model 或 n_head預測結果總是同一個類別類別不平衡模型未收斂查看驗證集 loss打印 logits 分布先訓練足夠輪數(shù)必要時調(diào)整類別權重位置編碼無效位置編碼加在錯誤的維度上打印位置編碼 shape 和輸入 shape對齊 max_len 與輸入序列長度GPU 顯存不足序列過長注意力矩陣太大逐步縮小 batch_size 或 max_len使用梯度累積采用 sparse attention第一排查優(yōu)先級永遠是數(shù)據(jù)。模型不會憑空產(chǎn)生錯誤輸出絕大多數(shù)問題都能追溯到輸入數(shù)據(jù)、mask 或者詞表構造階段。代碼里加上斷言和日志能省下大量調(diào)試時間。10. 下一步實踐路徑如果你讀完這篇文章最好的實踐方式不是再去背概念而是按下面兩條路選一條走。第一條路徑從零改代碼。把我給出的實現(xiàn)繼續(xù)完善比如加上解碼器、實現(xiàn)因果掩碼然后訓練一個簡單的中文文本生成模型。這個過程會逼迫你理解每個矩陣的維度變化。第二條路徑用開源庫做項目。如果你關心的是應用層可以先把 Hugging Face Transformers 這類庫用熟用預訓練 BERT 做文本分類用 ViT 做圖像分類。通過微調(diào)任務反向理解模型內(nèi)部機制也是很多工程師的實際學習路徑。我個人更推薦這兩條路結合。先在開源庫上跑通一個任務再回來看代碼實現(xiàn)很多之前看不懂的概念會瞬間串起來。Transformer 的核心其實不復雜它只是把“根據(jù)上下文加權地更新每個元素”這件事做到了極致。真正復雜的是它衍生出來的工程實踐數(shù)據(jù)處理、訓練技巧、推理優(yōu)化、多模態(tài)融合。這些都需要你在具體項目中一點點積累。把這個最小實現(xiàn)跑通是理解整個生態(tài)的第一步。建議把文章里這幾段代碼保存成模板下次遇到 Transformer 相關項目時你會感謝當初愿意從零寫一遍的自己。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
玖玖婷婷视频| 婷婷婷婷色| 天天日夜夜夜操操操操| 色欲九区| se.久久视频在线观看| 欧美性猛交99久久久久99按摩| 五月婷婷片| 插插插色综合网| 青青草99热久久精品国| 伊人高清无码| 色婷婷电影网| 激情五月综合婷婷| 日韩无码人妻一区二区| 久久久99精品免费观看| 日韩成人无码人妻| 婷婷五月天伊人网在线观看视频| 99久久99视频| 欧美美女视频| 99视频只有这里精品| 婷婷爱爱蜜臀天天操| 99热综合| 五月丁香五月婷婷在线观看| 丁香六月激情综合网| 婷婷中文在线| 在线理论片| 日韩啪啪网| 人妻无码精品一区| 天天综合色丁香| 超碰京东热av男人的天堂| www.99视频| 性色播| 国产女人十八水真多1| 99久久66综合| 五月婷婷综合在线| 婷婷五月天电影区小说区| 五月丁香六月色情网欧美| 日夜操B| 婷婷五月,偷窥偷拍网| 无码人妻一区二区一牛影视| 97色干在线观看| 色呦呦美女| 五月天啪啪啪| www.henhengan| 五月天婷a在线| 99操中文视频| 日本啪啪天堂| 最新av在线观看| 久久婷婷大香蕉| 99热热热99精品丁香| www99热| 精品人妻久久久久久| 欧美影院| 国产婷婷综合| 啪啪啪啪五月天| 2015好吊操| 一起草av在线观看| 久久婷婷五月综合色和| 丁香花狠狠婷婷亚洲中文字幕| 久久久婷婷| 色色com| 天天日天天日天天搞| 婷婷伊人网| 超碰无码318604| 欧美WW在线网| 色无婷婷| 国产特黄色精品一区二区三区精品无广告| 爽tv | 久久人人妻| 91久久久久久久久久久| 久久婷综合| 婷婷五月天第四色| 男人的天堂五月丁香| 日本熟女一区二区| 婷婷色情五月| 五月天婷婷丁香社区| 久久婷婷婷婷伊人| 久久欧洲综合网| 中文国产五月天| 丁香五月视频在线观看| 色五月激情五月丁香五月婷婷啪啪综合 | 久久久国产精品黄毛片| 少妇大叫太大太粗太爽了A片| 国产裸舞福利资源在线视频| 五月丁激情| 五月开心婷婷| 思思热99er在线视频| 丁香五月 综合| 久久久人妻不卡| 日本不卡一区二区三区| 婷婷五月激情四射手| 玖玖婷婷免费| 91色综合网站在线| 99色视| 久久日九九| 热久综合| 黄色毛片精品| 性视频久久| 色丁香五月婷婷| 丁香婷婷综合激情五月色| 久久草中文日韩欧美| 丁香激情四射| AV在线中文| 一区二区三区视频| 久久精品99久久久久久久久| 干一干xxxx| 狠狠综合色网| 9婷婷内射| 黑人熟妇一区二区三区| 五月天激情图片网| 丁香六月激情| 再綫Av免费視品| 丰满少妇猛烈A片免费看观看| 东京热五月婷婷| 丁香五月瑟瑟| 亚洲99在线| 五月婷婷三级| 色播五月婷婷综合| 婷婷丁香人妻久久在线观看| www.99成人视频| 色99视频| 99热婷婷| 99啪啪视频| 国产午夜精品一区二区三区四区| 色色热日| 国产欧美大香蕉一区| 激情五月天婷婷丁香| 五月天播播| 婷婷五月在线视频| AV在线免费观看不卡| 国产亚洲色婷婷久久99精品9j| 91久久五月天| 777.色色| 久久开心五月婷婷| 亚洲六月色婷婷| 色色五月婷| 久久九九中文字幕| 五月天 另类图片| 国产婷婷色综合AV蜜臀AV| 超碰亚洲天堂| 日日插日日干| 午夜天天精品视频| 综合色色综合| 五月丁香爱婷婷深深| 五月丁香六月香香蕉| 狠狠干在线视频| 99激情视频热| 97香蕉久久超级碰碰高清版| 五月婷婷六月丁香激情综合网| 亚洲另类婷婷五月丁香在线播放| 久久久精品色色色| 丁香久久| 狼人伊人干| 97人妻碰碰碰久久香蕉| 中文字幕AV在线播放| 久久9视频| av在线婷婷| 五月天婷婷色情| 色愛综合网| 99热99免费| 色播五月网| 日本婷婷综合精品| 成人色五月天| 丁香五月欧美| 狠狠色综合网站久久久久| 激情网五月天| 亚洲免费电影2| 国产av网| 久草天堂| 五月婷婷丁香在线视频| 五月丁香六月婷综合成人综合| 亚洲日韩一页精品发布| 六月丁香网| 精品五月花| 1024国产| 丁香五月婷婷动漫| 丁香五月av| 五月天激情小说| 草久私拍| 色婷婷综合丁香五月天| 去干网av| 久热免费| 超碰人人干| 91精品国产综合久久久不卡电影| 色碰碰| 99热这里只有精品268| 精品无码99| 亚洲天堂啪啪| 伊人热在线大香蕉| 操碰91| 激情网五月婷婷| 丁香六月久久| 婷婷丁香色五月久久88| 色亭亭五月天丁香综合AV - 百度 - 百度 | 大地资源色婷婷视频在线| 九色成人AV在线| av在线婷婷| 91人无码久久久久久| 青青.com| 亚洲激情五月天| 99性爱视频| 操婷婷基地| 99精品网址| 天天干,天天舔| 亚洲精品午夜国产va久久成人| 无码人妻一区二区三区四区| 成人免费120分钟啪啪| 激情五月婷婷伊人| 人妻久久久久久| 99色热| 小视频久久久aaa| 任你日视频| 免费播放片大片| 极品人妻VIDEOSSS人妻| 六月婷婷av| 伍月婷丁香花全集| 五月丁香激情综合网| 久久丁香九| 激情五月激情综合网一级丸片| 99久久这里只有精品| 97碰碰碰免费公开在线视频| wWW九九在线播放| 久久久性爱网| 五月播播| 99精品综合视频| 秋霞网在线观看理论91| 五月亭亭开心网| 99热成人精品| 婷婷五月综合社区在线| 婷婷五月激情黄色| 激情电影五月婷婷| 国产无人区大片| 五月丁香六月婷婷啪啪综合| 色天使色婷婷| 国产成人精品一区二三区熟女在线 | 91九色精品女同系列| 影音先锋天天日| 操一操| 免费AV播放| 五月丁香啪啪| 婷婷五月精品在线| 99燥99日| 青青草原福利在线| www天堂99| 这里只有精品69| 五月丁香久人妻中文| 99九九在线视频| 成人久碰| 婷婷久热| 五月天色播网| 黃色三级三级三级三级 qixing300.shrkbk.com www.jinbozs.com tianmiaosw.com | 婷婷精品| 国产精品久久久久久久久久免费| 五月天婷婷免费视频| 亚洲免费99| 五月天黄色激情小说| 六月丁香啪| 思思w99| 91碰九色| 久久只这里有精品| 亚洲日本韩国| 国产激情av| 亚洲一个色| 99久久久99久久91熟女| www.jiujiujiu| 中文成人在线| 婷婷综合| 亚洲成人中心| 色五月丁香婷婷在线观看| 国产欧美熟妇另类久久久 | 激情五月天综合| 丁香婷婷九月在线| 午夜理论片最新午夜理论剧| 99自拍视频| 亚洲AV色婷婷人禽五月天| 欧美va亚洲va在线播放| 538在线精品| 激情综合婷婷五月| 99精彩视频| 黄色精品五月婷婷| 色爽九九| 婷婷激情五月呦呦| 色五月婷婷、老熟女| 天天爽天天日| 99在线视频播放| 亚洲国产精品综合色区| 日韩成人影片网站| 亚洲性爱干干| 人妻人人操| 丁香久久九九99| 精品三区影院| 26uuu成人网| 99色看| 狠狠狠狠狠| 狠狠色婷婷在线| 99亚洲天堂| 99热最新精品| 丁香大香蕉| 婷婷激情四射网| 色色色在线播放| 丁香五月成人| 美女五月天婷婷| 亚洲亚洲永久无码777777| 婷婷综合97| 91pornav在线| 色在线99| 五月婷婷色| 看黄的网站18禁| 亚洲色视频| 91久久久久久久久18| 久久久久激情| 五月激情视频| 色婷婷在线播放| 久久加勒比| 五月成人天| 丁香激情综合| 婷丁五月| 丁香婷婷基地| 99ri精品| 丁香五月激情棕合| 色色色色色色色色综合网| 4399成人黄A片| 五月激情婷婷国产精品久久久久久| 在线播放成人| 免费观看大片视频 丁香婷婷 六月欧美| 少妇AB又爽又紧无码网站| 激情五月天综合图片小说网站| 婷婷色综合| 色色综合无码| 精品人妻伦九区久久AAA片| 欧美综合婷婷欧美综| 99热精品在线观看| 天堂婷婷丁香六月网| 日韩综合成人| 99热这里只有精品国产精品| 99资源在线| 日日杆天天| www激情| 综合 蜜月 婷婷| 激情五月,色播五月| 秋霞九九无码| 天干干夜夜操| 99综合色色色| 激情五月婷婷五月丁香五月开心五月| 91热在线观看视频| 亚洲成人在线五月天| 涩 五月 婷婷 狠狠| 五月婷婷丁香五月天| 99久久精品国产色欲| 另类精品视频在线观看| 五月天婷婷黄色视频| 99久久er| 天天综合网站| 久久大香蕉同僚| 亭亭玉月丁香| 五月停亭六月,六月停亭的英语 | 六月丁香五月婷婷| 97爱综合| 色播综合| 十月丁香婷婷| 懂色av粉嫩av蜜臀av| 综合网五月天123| 狠狠色综合网站久久久久| 深情五月天| 99热在线观看| 深情五月天| 色日本综合| 91视频五月丁香| 97资源碰碰在线| 日本激情五月| 桃色成人网| α久久| 色五月激情五月| 四季AV综合网| 欧美人妻一区二区| 午夜日韩久久久网站| 天天爽夜夜爽夜爽精品| 色婷婷五月成人网| 五月婷婷六月丁香在线| 五月天社区婷婷| 人人色性网| 激情五月黄色| 天天综合色综合| 99热| 婷五月丁香俺| 99热精品免费| 99色视频| 色色丁香激情五月| 91九色偷拍| 天天色天天舔天天爱天天爽| 日韩高清久久| 婷婷操逼| 国产欧美日韩一区二区三区| 伊人大香蕉综合在线| 99日韩| 天天综合天天做天天综合| 丁香激情久久| 丁香久久五月天视频在线观看| 久久久.www| 亚洲婷婷五月天| 亚洲色夜| 激情五月婷婷| 五月丁香六月婷婷姐| 婷婷五月69| AV成人在线网站| 久久精品只有这| 国产女生爱爱AA| 丁香九月婷| 中文字幕日韩无码制服诱或| 99色综合久久| 五月婷婷在线视频观看| 女性自慰系列第五页| 97人人妻人人艹| 艹| 超碰色女| 激情第四色| 五月色婷婷AV| 99燥99日| 五月色丁香| 五月丁香六月欧美综合| 日亚二欧美| 国产亚洲99久久精品| 久久涩视频| 久热黄色| 日逼免费视频| 丁香五月婷婷综合91| 狠狠做婷婷| 他改变了拜占庭| 韩国不卡AC视频| 色久综合| 综合激情网五月激情| 色yeye色综合| 国产超碰在线| 色播激情五月天| 久久激情五月婷婷| 春色激情| 操人无码| 激情五月综合网| 久久性爱网| 婷婷五月综合社区| 婷婷丁香五月,狠狠综合| 久久婷婷国产| 婷婷五月激情综合| 婷婷五月天视频免费在线观看| 天天日综合网射| 伊人大香蕉爱聚| www.久久99| 天天搞天天色综合| 99色视| 综合久久六月| 天天干天天操天天爽| 丁香五月天殴美激情| 九九青草热| 风流少妇A片一区二区蜜桃| 激情网婷婷婷| yw国产AV| 国产一级片| 丁香五月天堂网| 成人色站,在线视频,看片-SS1AV| 丁香六月婷婷综合欧美| 久久九久久| 丁香婷婷深情五月亚洲| 丁香婷婷成人网| 亚洲色情免费网| 日韩三及成人AV片| 日曰躁夜夜躁2026| 黄网在线播放| 亚洲中文字幕AV| 超级碰 久久9| 无码人妻AV久久久一区二区三区| 91婷婷丁香| 日韩婷婷五月天| 婷婷五月天黄色| 91九九热| 色五月AV| 人人人人人人人草| 五月人人丁香婷婷五月人人丁香 | 图片区 小说区 区 亚洲五月| 99热日| 五月丁香久久久日婷婷久久婷婷日 | 狠狠爱丁香婷| 熟女人妻一区二区三区免费看| 91爱操| 婷婷婷婷婷开心无码播放| 激情伊人六| 五月婷婷激情久久| 色情五月天导航| 久久AV无码精品人妻系列试探| 97色久| 五月婷婷激情视频| 逼逼AV| 91久久久久久| 婷婷五月色图| 激情碰碰碰| 2050人人操免费工开爱| 99久在线| 色天堂97| 99爽视频| 激情五月色播五月| 五月婷婷激情四月| 伊人婷婷大香蕉| 天天综合网色欲香| 激情五月婷婷综合秋霞| 伊人久久婷婷| 九九综合九九| 97五月久久丁香婷婷| 色婷婷裸体色性在线| 五月婷婷co.m| 久鲁鲁色网| 91AV婷婷| 丁香五月开心亚洲| 亚洲视频无| 国产欧美日韩综合精品一区二区| 中文av网站| 五月丁香婷婷色色色| 婷婷五月中文在线视频| 五月婷婷伊人在线| 久久96热| 99色热视频| 亚洲五月天色| 五月停停999| 久久丁香社| 亚洲狠狠终合停停终合| 天天天天操| 99精品综合视频| 天堂A∨在线| 色婷婷丁香| 伊人婷婷大香蕉| 99人妻碰碰碰久久久久视| www.99精品日操伊人乱碰在线| 亚洲AV综合在线观看| 五月天激情国产综合婷婷婷| 天天色综合网1| 五月天婷婷色紫薇阁| 欧美激情久| 丁香六月综合| 91高潮喷水久久久久久久久| 在线中文AV| 色色激情五月天| 婷婷五月婷婷| 九九RE视频在线精品| 天天日天天干天天插天天射| 日本成人小说婷婷六月| 久久深爱激情网| 91色婷婷综合久久中文字幕二区| 丁香婷婷五月色成人网站| 婷婷五月丁香99| 日日夜夜九九| 伊人婷婷福利网| 久九男女天堂| 国产精品人成A片一区二区| 婷婷五月天久久| 五月丁香婷草| 91无码视频| 亚洲免费观看高清完整版AV线| 五月婷婷二月丁香| 色婷婷激情视频| 日日干日日s| 激情欧美婷五月| 激情综合网婷婷久久| 色婷婷操逼| 国产综合81p| 五月天激情啪啪| 伊人丁香五月婷婷潮吹| 激情五月天99色| 九九热内射| 亚洲天堂婷婷| 久久婷婷六月综合国际| 亚洲无码影片| 91操黄| 9|在线观看视频| 婷婷五月天涩涩| 久99久视频精选| 久久ab| 99性爱视频| 这里有精品| www.99色| 欧美大片| 99色在线观看视频者| 亚洲不卡123| 天天日色情| 五婷婷综合网| 999热这里只有美国精品| 亚洲综合五月天婷婷| 99久久精品免费精品国产_国产精品久久久久久_国产在线|日韩_久久国产精品电影 | 大香蕉久操| 五月婷婷在线丁香| 色亚洲视频| 翔田千里无码| 久久婷婷五月草视频在线播放| 加勒比色色| 色99综合视频| 天天xxxxxx天天日| 思思久久精品| 激情综合在线观看| 99色精品| 国产毛片精品一区二区色欲黄A片| 中文AV在线播放| 五月花免费视频| 狠狠综合| 色欧美色色色| 一区二区乱视频码| 国产精产国品一二三在观看| 日日操夜夜操不卡| 丁香五月色色婷| 久热伊人9| 久久视频婷婷| 日本久久网| 天天做天天爱天天爽在| 影音先锋 91工厂| 九九亚洲视频| 激情亚洲婷婷| 99精品热| 无码人妻少妇色欲AV一区二区 | 久99久视频| 久婷五月| 99精品视频在线观看| www.9797国产| 色婷婷久久久| 婷婷九九| 91九色在线| 噼里啪啦完整版中文在线观看| 五月天天丁香婷婷| 婷婷在线中文字幕| 激情综合99| 婷婷基地爱| 99视频内射三四| 色噜噜狠狠色综无码久久合欧美| 青青草婷婷五月天| 超碰在线综合| 婷婷四月 成人 狠狠干| 久久这里只有精品16| 丁香五月婷婷激情中文| 九月丁香婷婷综合| 被强行糟蹋的女人A片| 极品人妻VIDEOSSS人妻| 俺也去色| 9久热在线精品| 色色激情网| AV美美午夜| 丁香五月婷婷欧美成人色图| 日本久久精品| 五月花综合网| 色五月婷婷成人| 激情五月天色色网| 人妻免费网站| 青996青| 99久在线精品99re8热| 91人妻PORNY九色大屁股| 久色中文| 激情五月婷婷在线观看| 99热超碰| 五月天激情网图片| 91丨九色丨国产| 五月丁香色婷婷色| 97丁香五月天| 婷婷五月天最新综合你懂的| 亚洲综合丁香婷婷六月天| 国产在这里只有精品| 综合网亚洲| 亚洲五月天婷婷综合| 五月天婷婷綜合院| 亚洲无AV在线中文字幕| 第五婷婷伊人丁香| 天天色综合天天| 精品无码99| 中文字幕精品在线观看| 国产精品18久久久| 九九视频在线观看视频6 | 97人人操人人操人人操人人| 色色是色N一| 婷婷五月免费观看| 亚洲va欧洲va国产va不卡| AV五月丁香| 大香蕉220| 亚卅毛片| 69堂午夜视频最新地址| 婷婷激情六月| 欧亚成人A片一区二区| 国产亚洲成人综合| 婷婷最新地址| 五月丁香激情婷婷| 狠狠干 狠狠操| 精品成人在线观看| 婷婷五月综合激情| 碰碰女| 牛色色碰| 97资源碰碰| 天天做 天天爱| 五月丁香在线| 可以直接看的av网站| 色噜噜狠噜噜视频| 亚洲亚洲人成综合网络| 亚洲激情综| 六月丁香深深爱| 开心婷婷五月| 精品无码久久久久久久久| 伊人婷婷色| 99re熱| 色五月综合在线| 丁香六月激情| 五月丁香啪啪综合网| 99热这里有精品24| 五月婷婷激情| 精品九九久久| 丁香亭亭久久| 五月丁香六月婷婷综合网缴情| 在线视频激情网站| 天天拍天天操| 欧美性久| 丁香五月天视频在线播放| 六月婷婷av| 欧美婷婷色| 天天视频精品9| ww亚洲ww在线观看| 久久综合五月| 国产成人精品一区二区三区视频 | 亚洲色99| 99人妻碰碰碰久久久久| 99热啪啪| 天天干天天干天天干| 丁香婷婷老熟女综合网| 看黄的网站18禁| 五月激情视频网| 91久久1118| 嫩草视频。| 九九激情网| 超碰9| 天色色综合网| 婷婷色啪| 人人操操| 91日本在线观看| 五月婷婷五月天天| 人人视频人人干人人做| 99视频这里有精品| 极品嫩草| 2014天天爽| 5月丁香啪啪啪| 色青青视频| 激情综合色网| 色五月激情五月| 国产黄大片在线观看画质优化| 五月色色网| 96五月丁香熟女| 九九热这里只有国产精品| 人妻操逼视频| 成人视频一区| 六月丁香婷婷综合狠狠爱夜夜爱| A片女女女女女女BBBB| 在线成人网站| 色播五月婷婷| 欧美A片在线视频免费观看| 欧美肉大捧一进一出免费视频| 婷婷影院A成人| 69精品人人人人| 五月天婷婷高清无码| www.五月激情.com| 思思久久精品| 色人五月婷婷| se影音资源在线观看| 国产真人做爰视频免费| 色色色激情| 能看的av网站| 99色综合| 在线中文av| 大香蕉天堂| 久久婷婷东京热| 日日懆天天懆| 色婷婷视频| 另类激情五月| 99热这里| www.精品久9| 色婷婷丁香五月天在线视频 | 久久婷婷综合五月趴| 色无婷婷| 亚洲开心激情网| 丁香综合网| 香蕉影院色| 色宗合,宗合网| 久久久久久人妻| 97干免费视频| 91久久精品无码一区二区三区| www.91AV.COM| 国产精品在线视频| 亚洲天堂久久| 欧美激情五月天婷婷| 欧美成人A片AAA片在线播放| 色婷婷导航| 五月婷婷激情综合网 | 在线中文av| 色色五月婷婷久久| 99九九在线视频| 色婷av| 亚洲视频99| www。五月,com| 碰碰91| 日日夜夜干| 丁香密臀AV激情网| 99热| 国产无套精品一区二区| 久9久9热久热| 超碰91在线| 五月综合激情| 97久久精品| 婷婷色五月天色| 中文在线成人| 久热亚洲| 天堂色婷婷| 9月色婷婷| 97干资源在线观看| 狠色狠色综合久久| 久久人人添人人爽添人人片αV| 五月丁香婷婷人体| 久久五月婷天天干| 人人操超踫| 97luluse| 十月色综合| www,色综合| 色五月婷婷婷婷| 爱射综合| a网站免费观看| 欧美日韩成人在线| www.99热| 91seav| 狠狠情色| 激情综合网址| 色婷婷亚洲| 天天插综合| 97色热| 天天成人丁香美女AV| 欧美成人AAA片一区国产精品| 99热骚货| 婷婷五月色综合香五月| 五月丁香六月色情网欧美| 超碰99在线观看| ,99视频久久| 超碰狠狠干99| 综合五月天天天天天五月| 超碰99在线观看| 亚洲丁香五月美女| 91热视频| 五月婷婷无码| 久9视频免费播放| 日本婷婷在线| 日韩激情网站| 大香蕉婷婷五月| 91超级碰在线视频| 五月天激情图片| site:esunnet.com| 91在线日| 久久婷婷五月国产色综合激情| 国产又爽又猛又粗的视频A片| 天天操天爱综合| 九九综合88| 熟美女麻豆| 色播婷婷五月天| 天天日天天狠狠操| 国产在线aaa片一区二区99| 五月婷婷开心亚州在线| 99操九九网| 五月天欧美激情| 三日本无码| 最新va在线播放| 亚洲综合草草| 五月丁香婷婷综合| aaa9区免费在线观看| 色综合区| 色五月天天在线观看资源站| 欧美成人猛片AAAAAAA| 婷婷五月天狠狠搞干| 久久久婷婷五月亚洲97号色| 五月婷婷之综合激情| 婷婷5月开心6月| 久久天堂女人| 97久久精品| 亚洲婷婷丁香五月在线| 激情五月少妇| 色玖玖综合| 夜夜骑夜夜撸| www,婷婷五月天777me,com| 亚洲xx在线| 婷婷五月色激情欧美激情| 色五月首页| 99爱精品| 天天色综网| 9l视频自拍九色9l视频自拍九色9l社区| 婷婷五月综合啪| 天天久综合网永久入口17v| 桃色五月天| 久久综合激情婷婷激情| 婷婷丁香五月91| 九九热精品视频| 97色婷婷| 精品亚洲国产成AV人片传媒| 婷婷五月丁香六月| 久久婷婷色色| 少妇性按摩无码中文A片| 日韩操| 2022人人操人人看| 成人 在线 日韩| 我爱宗和色| 91日综合欧美| 99热在线只有精品| 婷婷午夜综合| 丁香久久| 婷婷五月俺要去| 人人干人人操外国| 五月在线| 这里只有九九精品| 日本久久久97| 天堂久久精品| 26UUU在线观看| 97热九九| 日产精品一线二线三线芒果| 涩涩涩.com| 婷婷九月激情| 五月激情影院| 丁香激情综合| 草草视频91| 超碰色碰碰| 99热播放| 狠狠狠狠狠狠狠狠狠狠狠色宗合图片| 香蕉久久五月| 六月丁香婷| 99热这里只有精品 搜| 色婷婷色九月| 九九亚洲| 大香蕉久| 亚洲精品又粗又大又爽A片| 丁香五月在线观看| 婷婷丁香五月天色播网站| 碰超亚洲| 91成人性爱视频| 激情丁香久久| 亚洲五月婷| 99热这里只有精彩| 激情五月天婷婷免费观看| 亚洲激情六月| 99精品在线观看视频| 国产精品色色色色| 婷婷情色五月天| 婷婷99狠狠躁天天久久久九九九| 婷婷综合97| 五月天伊人日日噜影片AV| www激情网站| 五月色综合| 五月天激情视频网站| 婷婷丁香人妻天久久| 91成人看| 天天肏夜夜肏| 热久久思思热思思| 大香久久伊人网| 欧美交换配乱吟粗大25P| 深爱婷婷网| 99国产小视频免费观看| 97碰91| 丁香婷婷十月| 九九热这里只有精品556| 五月丁香A∨在线| 日本三级中国三级99人妇网站| 99er视频在线| 亚洲中文AV网站| 深爱开心激情| 六月丁香激情网| 99色这里| 91视频综合网| 久久免费精彩视频| 激情五月丁香婷婷| 激情影院内射| 99久久97久久欧美综合网| 丁香婷婷九月在线| www久久99| 婷婷五月AV| 99小视频| 色综合久久88| 成人免费120分钟啪啪| 丁香婷婷六月天| 日本成人小说婷婷六月| 九九色99| 九月性爱网| 性一交一乱一交A片久| 91狠狠色丁香| 这里只有精彩视| 色五月婷婷激情综合网| 99少妇精品| 五月天天天色| 强伦轩人妻一区二区电影| 97色五月天| 新97人人上人人| 婷婷 丁香 久久| 狠狠综合| 91精品婷婷国产综合久久| 天天日日综合| 热九九精品| 天天射色五月天| 天天日天天肏天天奸| 五月天婷婷基地| 五月丁香成人网| 91啪级电影| 丁香婷婷综合激情五月色| 欧美色综合天天久久综合精品| 五月丁香激情四射| 思思热在线播放| 久久99热 这里有精品| 五月天亚洲图片婷婷| 无码yw| 超pen个人视频97| 91九色精品女同系列| 亚洲99热| 五月丁香六月情婷婷久久| 26UUU| 日本成人综合| 风流少妇A片一区二区蜜桃| 午夜九九九九九九九九九九九九九| 五月天影院| 天天综合久久| 99碰网站| 中文av在线观看| 久草五月婷婷| 久久婷婷五月综合啪| 九九热在线亚洲免费视频| 久久婷婷内射| 日韩操啪| 五月激情综合婷婷| 天天色情站| 色五月人妻| 日韩淑女人妻luan伦激情精品一区二| 丁香五月另类小说| 人妻 性久久久久久| 天天噜天天插| 黄色AAAAAAA| 亚洲欧洲中文日韩久久AV乱码| 99热思思| 五月婷婷啪啪| 久久网日本| 大陆肏屄视频| 丁香五月婷婷色五月| 26uuu偷拍亚洲欧洲综合| 婷婷丁香六月激情综合| 丁香五月社区| 色婷婷丁香五月| 《久久综合九色综合97婷婷| 人人操人人爱丁香五月| 99在线免费视频| 情色五月天 网站| 九九热精品| www色哟哟| 久久五月天黄色五月天色网址| 99综合久久| 99热婷婷| 大香焦A∨| 97操碰在线视频| 婷婷五月丁香六月| 2050人人操免费工开爱| 人人干人人操人人摸人人做| 日韩成人电影在线播放| 综合五月婷婷| 色99网| 婷婷五月丁香性爱| 99热这里只有精品98| 亚洲第一成人无码A片| 一点色成人网| 色色婷婷丁香| 伊人久热91网| 天天爱天天做天天日| 天天夜夜爽| 开心激情五月天网| 99爱在线精品视频免费观看| 久久久五月四色| 五月婷婷激情综合视频| www色中色综合| 在线视频色五月| 天堂中文国产| 另类视屏| 99九九中文字幕视频| 99久久.www| 狠狠se| 玖色色综合| 六月五月天婷婷涩播在线| 丁香五月成人| 国产全是老熟女太爽了| 丁香色婷婷五月天| 激情五月天在线视频| 色五月在线播放| 丁香六月婷婷久久综合| 五月天婷婷爱丁香中文字幕| 色综合久| 激情五月图| 色五月婷婷少妇人妻| va中文资源在线观看| 性爱在线播放av| 激情综合网,五月| 色yeye色综合| 五月停停大香蕉| 色色综合网www| 丁香五月伊人| 久久人视频| 91丁香| 丁香婷婷九月| 成人精品人妻| 五月天色色无码| 久草婷婷网| 五月婷性爱| 99啪啪骑| 99热天堂| AV在线免费网站| 色五月97| 丁香 亚洲 久久| 丁香五月综合激情啪啪| 色婷婷婷婷| 五月色综合网欧美网| 激情五月婷婷丁香六月| 99热99ai| www色婷婷久久综合久色 | 五月天婷亚洲综合在线嫩草网| 婷婷涩涩网| 九月婷婷丁香| 日韩免费99| 九月丁香婷婷网| 色五月丁香A欧美com| 91seAV| 97色啪| 九九RE视频在线精品| 人人玩人人橾| 婷婷色香六月综合激情| 色综合久久天天综合网| www色婷婷久久综合久色| 色99婷婷五月天| 久久久久网站| 99自拍视频| 婷婷五月天.com| www色中色综合| 韩国激情五月天综合网| 日在线V视频在线播放| 五月婷婷激情综合在线| 自拍视频在线观看9| 五月丁香久久呀| 五月婷婷深深的爱| 色欲香综合网| 黄色AAAAA| 色婷婷中文在线| 天天做天天爱天天爽| 五月成人网站| 色婷婷成人做爰A片免费看网站 | 婷婷爱五月| 男人操女人高潮91视频| 超碰成人黄色网| 久久一伦| 激情电影五月婷婷| 在线99色| 久久丁香| 99.色| 天天干天天干天天干天天干天| 91九色在线视频| 很很干天天干| 麻豆WWWCOM内射软件| 国产乱人偷精品人妻A片| 色婷婷香蕉在线| 婷婷国产欧美97| 99爱视频精品| 九九热在线视频,| 五月丁香六月在线| 中文字幕成人| 久99热| 色色婷| 无码激情AAAAA片-区区| 碰久久精品w| 中国丰满熟女A片免费观| 开心激情站| 久久人妻少妇嫩草AV| 狠狠色噜噜色狠狠狠综合色 | www.97干视频| 色婷婷狠狠干| 天天爽天天摸| 九色91视频| 午夜精品人妻无码一区二区三区| 亚州在线中文字幕| 婷婷性爱五月天丁香网| 91丨九色丨白浆| av中文在线| 超碰狠狠色| 五月色丁香| 国产AV国片偷人妻麻豆| 亚洲九九婷婷| 丁香五月在线视频| 色婷婷丁香五月综合| 婷婷亚洲综合| 天天做天天爱天天高潮| 婷婷精品视频| 丁香五月天社区婷婷| 婷婷五月天影院| www.婷婷,com| 九色91国产| 99性爱| 超碰免费电影| 国产色视频网站2| 国产激情综合| 操一操插一插| 九九五月天| 欧美性生交xXxX久久久| 伊人网啪啪| 色婷婷视频| 五月婷婷激情五月| 婷婷五月无码| 99在线精品视频| 91久操| 超碰精品国产首页| 五月停停直播| 久久五月丁香| 可以免费观看的AV| 国产免费一区二区在线A片视频| 怡红院AV亚洲一区二区三区H| 91婷婷五月丁香碰| 亚洲亚洲激情| 婷婷丁香18| 99操| 婷婷六月偷拍| 无码se| 丁香五月AV综合| 热的国产,热的综合,热的有码| 停婷丁五月在线| 开心激情站| 夜色综合网| 日日撸天天干| 久热婷婷| 91夫妻网站九色| 中日韩狠狠色| 丁香五月瑟瑟| 激情深爱五月天| 嫩草AV久久伊人妇女超级A| 99ri精品在线| 五月综合777| 99在线视频精品| www.99.色| 婷婷激情肏屄网| 玖玖资源站中文| 9色在线| 5月丁香美女影院| 婷婷射图五月天| 伊人久久五月天| 色五月天综合网| 五月丁香婷婷综合网色欲| 激情婷婷综合| 久久久久这里只有精品| 超碰91在线| 伊人喵咪a V| 久久女婷| 综合一本道| 另类少妇人与禽zOZZ0性伦| 天天操五月天| 久久五月天激情视频| 久久婷婷六月综合| 久久全色| 久9热视频在线观看| 99热这里只有精品最新地址获取| 爱久综合| 九九热中文| 五月天婷婷视频| 久久久九九九 99| 狠狠五月天婷婷| 内射综合网| 久久33视频| 亭亭五月丁香综合欧美| 婷婷激情视频欧美视频自拍视频欧美剧| 中文字幕日产A片在线看| 在线亚洲综合网| 五月婷久久|