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
五月婷成人| 丁香婷婷色情| 丁香五月性爱| 婷婷在线操| 婷婷丁香六月| 婷婷六月爽| 亚洲精品字幕在线观看| 亚洲色色精品| 九九美女视频| AA久久| 五月丁香黄色| 婷婷五月婷婷| 在线色五月婷婷| 天天日天天爽| 五月天另类小说久久小说网| 婷婷五月天丁香激情| 深爱激清网| 色综合久久无码| 婷婷色狠狠| www.com在线操视频免费观看| 五月激情婷婷女| 成人AV片播放| 92久久| 婷婷激情五月综合| 人与禽A片啪啪| 亚洲婷婷婷| 琪琪色网址| 婷婷干五月综合在线播放| 伊人九九九久| 激情久久五月天| 99九九在线| 日本久久综合| 狠狠人妻久久久久久综合丁香| 日韩黄在免| 五月色网| 99在线观看| 色婷婷99| XX色综合| 五月综合激情久久| 婷婷激情四射五月天| 色五月大| 五月丁香六月婷婷亚洲激情综合| 欧美WW在线网| 亚洲精品V天堂中文字幕| 五月丁香欧美综合免费视频| 精典久久| 五月婷婷激清网| 激情综合色婷婷啪啪五月天| 欧美精品99| 色五月 激情婷婷 综合五月天| 日本成人内射| 五月婷婷开心网| 婷婷激情综合网| 美女91一起草| 97精品人人A片免费看| 五月婷婷丁香在线视频| 综合激情伊人影视在线| 碰超在线九色| 日日做A爰片久久毛片A片英语| 99热精品在线免费观看| 六月婷婷之青青草| 98色花堂98t.R| 婷婷五月影院| www.婷婷五月天.com| 激情丰满熟妇五月| 激情AV在线| 深爱激情五月天| 五月婷亚洲精品| 天天插天天狠| 色综合久久中文| 大战熟女丰满人妻AV| 这里只有精品视频免费在线观看| 国产精品五月丁香| 九九aV| 国产AV一区二区三区日韩| 九色视频91| 亚洲第一成人无码A片| 97碰人人操| 亚洲丁香五月美女| 去干网av| 97干在线| 99热新网址| 亚洲精品又粗又大又爽A片 | 综合网天天| 婷婷六月啪啪| 五月开心深深爱激情综合 | 99精品视频播放| 婷婷五月香蕉| 夜夜综合色| 激情五月激情综合俺也去婷婷小说| 色停停影院五月天| 免费在线观看AV网站| 香蕉综合在线| 九九热啪啪| www.99成人视频| 激情婷婷五六月天| 久久视频66| 啪啪黄页网| 爱操天堂| 日韩av变天就操逼不卡区| 色婷婷9| 五月丁香狠狠| 九九热手机在线视频| 九九人妻福利| 亚洲无码成人网| 碰人人操| 十区av| 激情涩播| 精品久9| 熟妇内谢69XXXXXA片| 午夜五月天| 91se在线观看| 99视频网址| 99热免| 爱草视频在线观看| 五月色情网| 久久视屏这里只有久久| 99在线精品观看99| 思思99热热热99| 大香蕉九操| 涩涩婷婷五月| 9九色首页| 99久久終合| 青草视频在线播放| 丁香六月丁香婷婷激情| 日本熟女啪啪| 五月婷婷国产| 九九青草热| 综合久久六月| 玖玖99免费视频| 丁香五月成人丝袜| 偷偷操99| 影音先锋色婷婷| 国产综合婷婷| WWW久久久| 人人操插| 五月婷婷在线视频免费观看| 久久杏爱视频| 99热99免费| 色五月天网| 色色日韩无码| 日日插日日干| 天天综合色| 日韩精品超碰在线观看| 久青操| 另类精品视频在线观看| 欧美群妇大交乱婬网| 五月丁香日本一抹本| 亚洲激情综合| 色五月丁香激情视频| 五月婷婷 六月丁香| 五月婷庭丁香在线| 欧美丁香五月| 久久久99视频| 97啪啪| 国产69久久久欧美黑人A片| 极品少妇XXXX精品少妇偷拍| 色域五月丁香| 婷婷五月色影视先锋| 啪啪 综合网| 九九99免费视频| 视频综合网| 色婷婷综合五月| 五月婷婷乱| 日操夜撸| 黄网在线播放| 成人丁香婷婷| 97人操人免费视频| 怕怕av| 伊人五月人妻精品| 色色无码| 国产AV一区二区三区最新精品 | 亚洲精品久久久无码 | 五月丁香婷成人网| 丁香色综合| 精品乱码久久久久| 99热自拍| 久婷婷婷| 亚洲综合五月天| 日韩啪啪网| 69精品人人人人| 日本熟妇乱妇熟色A片蜜桃 | 婷婷 色 丁香 夜| 超碰日日操| 婷婷视频网| 操逼电影免费看| 久久超级碰视频| 99精品激情| 六月丁香五月激情网| 久久精热| 思思热在线视频精品| 日韩av在线播放综合网| 国产超碰在线| 小视频久久久aaa| 99综合网| 蜜臀99久久精品久久久久| 99色干| 678五月丁香亚洲综合| 激情五月丁香六月综合AVXXXX| 在线观看亚洲视频影院| 婷婷丁香成人色综合| 九九大香蕉黄色影院| 九热在线这里有精品6| 伊人AV五月婷| 综合色播| 欧美性猛交99久久久99| 色婷婷影音| 亚洲色啪| 99精品网| 五月丁香婷婷伊人| 婷婷五月激情热播| 久热AA| 国产成人精品亚洲线观看| 丁香五月大香蕉AV| 五月天色视频| 无码色| 激情五月天99色| 99爱免费在线观看| 婷婷六月色开| 日本视频欧美观看免费| 色婷婷先锋| 亚洲精品99| 九九九AAA热视频| 色色色综合网| 日韩 中文 欧美| 日韩二区搞逼插逼毛片| 99这里有精品视频3| 亚洲精品激情| 久久久91精品| 久热这里精品免费| 99热精品在线观看| 超碰女人天堂| 天天干天天操天天射| 欧美性生交xXxX久久久| 激情精品久久| 人人摸人人搞| 99在线观看视频| 五月婷婷AV| 欧洲色区| 婷婷六月丁香在线| 婷婷久久五月天亚洲欧美国产日韩在线观看 | 狠狠香蕉| 日本久久人人| 人人操人人看97干| 99这里只有精品|v| 中文字幕在线视频播放| 狠狠狠狠狠操| 成人丁香婷婷| 日日干日日s| 亚洲天天操| 超碰人人操| 26uuu亚洲欧美| 色婷婷成人做爰A片免费看网站 | 成人做爰高潮A片免费视频| 二色AV| 六月综合婷婷开心伊人| 国产婷婷久久| 久久丁香五月天| 婷婷五月丁香基| 五月天婷婷在看| 欧美精品999| 激情综合网五月丁香| 丁香婷婷月| 五月婷婷先锋| 六月丁香VA| 欧美一级a | 丁香五月天激情综合网| 久久综合26p| 天天射综合网天天插| 伊人五月久久| 日日鲁鲁鲁夜夜爽爽狠狠视频97| 天天拍夜夜爽日日| 丁香性爱在线视频| 天天爽天天做| 亚洲热久| 操日视频| 操碰91| 可以看的AV| 9色在线视频| 99热青青草| 超碰在线精品| 狠狠干狠狠色| 五月婷婷激情69| 狠狠色综合五月人人| 一本道综合网| 热婷婷av| 日本不卡中文字幕| 五月丁香激情综合啪| 久久综合人妻| 色婷激情网| av中文网| 婷婷基地爱| 超碰在线播放免费观看| 91九色国产熟女| 91精品婷婷国产综合| 欧美视频五区| 亚洲五月六丁香激情| 亚洲网站观看视频| 深爱五月婷婷| se99高清无码| 偷偷操99| 少妇丁香婷婷| 五月婷综合| 另类激情五月在线视频欧美| 五月丁香久人妻中文| 99久久九九| 99视频在线观看视频| 日韩人人操| 四月婷婷丁香五月| 久久久人妻人伦| 亚洲欧美在线观看| 色五月成人| 色婷五月| 五月成人丁香av91| 综合另类视频| 91视屏在线观看com.wwwvv| 91碰免费视频| 色停停香蕉视频| 九九免费视频在线| 欧美熟妇一区二区三区| 天天干天天日天天操| www.色婷婷。com| 五月丁香日逼| 色噜噜狠狠色综无码久久合欧美| 丁香五月婷婷激情蜜桃| 五月丁香| 爱狠射| 超碰人人色| 激情丁香网| 98色丁香五月婷婷综合网| 99re免费精品视频| 五月丁香六月花| 超碰二区| 丁香五月五月婷婷| 天天搞夜夜叫| 丁香五月婷婷99| 色人久久| 超碰猛烈的性猛交| 天天干天天色天天干| 色欧美影院| 色999亚洲人成色| 播四月婷婷六月丁香| 色吧五月| www.色色com| 超碰av在线| 五月花免费视频| 久久丁香婷婷五月天| 五月天激情黄色网址| 99视频只有精品| 日日狠狠久久偷偷四色综合免费| 欧美狠狠一在草| 天综合日日夜综合7799| 欧美丰满熟妇BBB久久久| 国产成人亚洲综合A∨婷婷| 五月天六月丁香| 99热黄| 久久五月天激情美女| aaaa久久| CHINESE熟女老女人HD视频| 亚洲综合五月| 乱轮A片| 色综合色五月| 亚洲av无码精品色午夜| 久草丁香婷婷1024| 极品少妇XXXX精品少妇偷拍| 婷婷色网站| 六月丁香婷婷六月激情综合| 啪啪婷婷五月天激情| 久久久性爱网| 99热99| 免费看欧美成人A片无码| 激情啪啪五月| 色综合久久88色综合天天99| 丁香五月六月婷婷殴美综合| 激情五月五月五月婷婷| 亚洲乱码日产精品BD| 精品丁香五月天在线播放| 日日想日日夜日日操| 另类小说五月天| 美欧成人视频| 色原狠狠综合| Www.久久| 99久操视频| 婷婷色婷婷| 夜夜资源站| 婷婷五月丁香在线视频| 丁香五月五月婷婷五月天激情四射| 色网站99| ri电影在线| 婷婷激情综合| 大香蕉久久久久| 9超碰在线| 色婷婷丁香AV综合| 色婷婷精品视频在线播放| 色婷婷成人做爰A片免费看网站 | 99热综合| 99这里有精品| 开心五月婷婷激情| 亚洲欧洲另类| 嫩草AV久久伊人妇女超级A| 国产激情综合五月久久| 丁香五月成人| 五月天婷婷激情在线色图| 97超碰在线免费观看| 五月天色丁香| 天天干天天操天天射| 五月天婷婷激情综合| 婷婷五月骚厕所| 色宗合久久五月婷婷| 深爱激情网婷婷| 男人天堂亚洲综合| 色999五月色| 婷五月天在线草| 《战争与艾拉》完整版| 色五月天天| 日日干日日s| 久久五月激情网| 五月婷婷就去色| www.色窝| 这里只有精彩亚洲视频推荐| 欧美色色网| 深爱五月激情| 热99精品视频五月| 九九色综合九九色| 欧美经典片免费观看大全| 欧美私人家庭影院| 综合网精品99| 日本97在线| 香蕉操亚洲| 欧美色图天堂网| 热中文字幕| 九九热九九| 婷婷丁香久久五月综合| 久久欧洲综合网| 日韩1区2区| 五月天开心网| 色中色综合| 五月丁香激情综合| 婷五月天影院| 日本操片| 五月丁香在线视频观看| 亚洲性色XXXXX| 婷婷丁香五月在线播放| www.色色五月天.com| 久久98| 9+1视频网址| 国产婷婷色综合AV蜜臀AV | 伊人久久丁香五月91| 色欲色香综合网站| 亚洲天堂99| 思思网站| 欧美综合激情丁香五月六月婷| 1024操逼视频| 亚洲高清在线| 色欧美日| 噜噜色五月| 九九久久综合网站| 99亚洲精品| 五月婷婷,六月丁香| 成人无码精品1区2区3区免费看| 9l视频自拍九色9l黑人| 97人人操在线| 9999色色色色| 99在线69| 9热网站| 五月久久婷婷天堂视频| 久久久人妻久久久| 五月婷婷网五月在线| 色婷婷日本| 99热最新| www99精品亚| 五月丁香激情综合六月涩涩爱| 99小视频| 99愛国产| 大香蕉综合在线| 久久性视频| 久久久久视剧HD| 婷婷天堂综合| 天堂草在线观看| 五月天婷婷色| 激情婷婷丁香色五月| 九九热视频精品2| 婷婷五月丁综合| 另类激情综合| 日韩成人无码片| 狠狠色婷婷777| 亚洲色婷婷视频| 色婷婷电影| 超碰免费观看| 色色网站在线免费观看视频| 婷婷五月丁香五月| 色色婷婷综合| 思思99热热热99| www天天色天天射| 性做久久久久久久免费看| 日本三级网址| 婷婷四色五月| 欧美激情VA永久在线播放| 色色影院黄大片| 97色五月天| 色婷婷欧美| www99精品日韩| 色婷婷WWW| 俺去也婷婷| 九九操屄| 五月天激情网图片 - 百度| 成人va视频| 另类五月激情| www.夜夜夜| 亚洲婷婷91丁香| 久久99网| 六月亭亭久久综合激情| 亚洲综合色网| 91啪啪| 香蕉人在线香蕉人在线 | 一二线视频 另类| 色色色综合网| 超碰人人艹| 99热全是精品| 深爱开心激情| 亚洲中文字幕在线电影| 婷婷激情丁五月| 1024人妻| 亚洲艹网| 久热这里| 婷婷五月激情四月综合| 色播五月婷婷| 在线成人网站| 色婷婷综合网站| 玖玖婷婷精品| 六月丁香网| 激情五月天福利| 久噜久噜| www.com久久久久久久久久久久久久久久久| 开心久久xxx色| 色五月综合网| 五月婷婷久久综合| 久/久精品99看9| 91干视频| 国产成人高清| 五月婷婷啪啪啪| 91丨九色丨熟女| 婷婷五月天午夜激情影院| 激情五月,色播五月| 五月婷婷玖玖综合玖玖爱| 久久五月丁香激情综合| 国产欧美精品AAAAAA片| 九九热区一区二区三区| 激情AV网| 99这里是精品| 色色色色色日韩午夜激情| 这里只有精品69| 色五月婷婷7777| 99热这里精| 九九色色| 久草久青福利| 嫩草AV久久伊人妇女超级A| 99热免费网站| 丁香婷婷综合激情五月色| 成人深爱丁香五月| 欧美黑人巨大性生话| 丁香五月六月久久综合| 丰满老熟妇BBBBB搡BBB| 丁香五月六月欧美| 亚洲欧洲一二| 狠狠人妻色综合| 天天射美女| 天天操天天操天天操天天操天天操天天操天天操天天操天天操 | 九九99精品视频在线观看| 天天综合亚洲综合网天天αⅴ| 五月综合久久| 欧美激情-区二区三区| 日本nghangse中文字幕| 久久伊人五月天| 久久玖玖综合| 色婷婷丁香五月| 日本熟女视频一区二区| 久久人妻熟女一区二区| 婷婷五月色丁香在线看| 黄色aa观看aaguochan| 五月天天天色| 久草A片| 亚洲精品亚洲人成人网| 亚洲综合狠狠艹| 97香蕉人人在线观看| 操操国产| 狠狠色情婷婷| 99久久久久久久| 丁香九月激情| 6080av| 欧美色偷偷大香| 久久婷婷五月丁香网| 丁香 婷婷 激情 综合 五月| 婷婷五月天桃花网| 99re热在线视频观看| 秋霞性爱AV| 亚洲视频一区| 婷婷五月天天爽| 婷婷五月深情丁香深爱日韩| 五月婷婷啪啪啪啪| 超碰97干| 思思热在线精品视频网站| 综合爱久久| 五月婷婷开心网| 国产精品视频久久99| 偷偷操99| 风流少妇A片一区二区蜜桃| 婷婷丁香五月综合网上| 欧美激情丁香五月| 日本丰满久久| 97 A I色色| av网站中文| 91视频一起草| 激情综合视频| 国产午夜一区二区三区| 亚洲成人黄色网| 色综合激情| 91人妻人人操| 五月丁香六月婷婷网| 色五月首页| av九九| 91美女啪啪| 97色色色色色| 99久热这里只有精品| 亚洲中文丁香| 天堂色色色| 国精产品一区一区三区免费视频| 丁香五月影院| 婷婷四色五月| 丁香五月婷婷狠狠色| 在线观看欧美3区| 人妻久久久久久久| 色婷婷五月天在线观看| 天天日夜夜夜操操操操| 99久热在线精品| 大香蕉久久伊人网| 国产亚洲精品久久久久久郑州| 综合色色婷婷| 婷婷色av| 五月社区婷婷激情| 久草婷婷| 91久久综合| 四色五月婷婷| http:色情日本com| 五月丁香偷拍| 996er热| 亚洲精品激情| 激情五月婷婷啪啪| 五月天婷婷六月激情网| 91操在线视频| 婷婷性爱视频在线| 婷婷干| 夜夜穞天天穞狠狠穞AV美女按摩| 人妻22p| 欧洲色色| 九热视频| 99热成人在线观看| 五月丁香 啪啪啪| 激情五月天在线观看婷婷| 久99精品视频| 991自拍视频| 操操操B| 国内外色色色色色成人视频| www久久久| 97性视频| 99色在线观看视频| 思思热视频在线观看| 国精产品一区二区三区| 激情精品久久| 天天爽爽日日做做| 色色五月天丁香| 婷婷成人在线| 五月婷视频| www超碰| 久久激情五月婷婷| 婷婷综合色色| 黄网在线免费观看| 亲子乱AV一区二区三区下载| 五月婷婷六月丁香五月| 五月丁香六月| 激情五月丁香六月综合AVXXXX| 五月天婷婷视频| www激情五月天| 丁香婷婷色五月天| 99国产性感视频| 久久久久人无码人妻| 欧爱综合视频| 另类小说五月天综合网| 九月色婷婷综合| 人人干AV| 婷婷五月天干干| 婷婷久久六月天| 99热骚货| 五月丁香六月婷婷网站| 色五月首页| 成人丁香婷婷| 精品久久久人妻| 丁婷婷五月天在线播放| 另类激情五月在线视频欧美| 色丁香五月| 色色丁香婷婷综合| 六月丁香综合| 97视频久久| 91操操| 五月开心网| 99无码| 丁香综合日产精品久久| 六月色丁香婷婷| 色色色色色色色五月| 丁香五月色情av| 丁香九月激情在线视频| 久久99久久久久久久噜噜| 女人天堂久久| 超碰人人色| 丁香五月婷婷综合视频| 免费试看小视频 99| 五月丁香六月欧美| 五月在线| 午夜天堂啪啪| 色色亚洲| 色婷婷AV久久| 国产激情在线| 99在线观看亚洲| 日日干干天天干| 思思热久热| 久久久久亚洲AV成人无码电影| 日本99久久| 极品人妻VIDEOSSS人妻| 久9热在线免费观看| 久久久欧美精品sm网站| 人人爽天天莫| 久热这里只有精品66| 婷婷五月丁香六月综合网| 亚洲操精品| 久久久天堂国产精品女人| 色色综合网www| 狠狠干在线| 99re熱| 极品五月天| 色婷婷88| www.色五月| 色婷婷文字幕| 六月激情婷婷色| 五月天婷婷无码视频| 热久久91| 九七色色六月丁香| 中文字幕丰满人妻无码专区| 琪琪理论片| 国产偷人妻精品一区| 国产超碰在线| 亚洲xx在线| 午夜爱爱网站| 99热99免费| 亚洲人妻Av| 丰满少妇猛烈A片免费看观看 | 热久久思思热思思| 激情婷婷五月| 高清一区二区三区日本久| 91日综合欧美| 亚洲99激情| 色五月婷婷亚洲最大| 久碰视频| 日本九九视频| 五六月丁香激情视频| 情色婷婷五月天| 成人综合视频网址| 成人AV在线电影| 999影院成人在线影院| 在线播放成人网站| 狠狠婷婷综合| 丁香六月婷婷久久综合| 狠狠色综合精品视频在线| 91久久久久久| 超碰免费电影| 包操45分钟网站| 五月色影院| 99欧美| 色天使色婷婷| 91视屏在线观看com.wwwvv| 综合色影院| 大地资源色婷婷视频在线| 91色涩| 婷婷色狠狠| 五月激情综合网| 免费国产视频| 天天操电影院色狼性av| 香蕉AV福利精品导航| 久久久五月五丁香| 天天激情| 成人做爰黄A片免费看直播室男男| 亚洲不卡| 色婷婷久久| 在线观看日韩12345区| 五月综合亚洲色| 色天堂在线| 亚洲视频在线网| 五月婷婷co.m| 九九色热| 超碰97人人操| 极品另类| bukadeavzaixian| 五月天激情婷婷丁香| 婷婷激情五月| 五月大香蕉| 激情爱爱网站| 日韩无码人妻一区二区| 啪到高潮激情丁香五月| 亚洲乱码日产精品BD| 永久的网站AAAA| 综合久久97| 99狠狠操一| 婷婷五月天激情基地| 5月丁香综合图区| 天天 日综合| 激情第四色| 99热综合| 激情AV| 丁香六月啪啪啪| 超碰三级片| 99人人操人人操人人精| 五月天婷婷视频小说| 丁香五月婷婷激情蜜桃| 中文国产五月天| 五月丁香六月片| 99热综合在线观看| 8090在线影视少妇| 五月丁香直播| 人妻熟人中文字幕一区二区| 热久久99视频| 少妇AB又爽又紧无码网站| 青青夜夜狠狠夜夜狠狠| 婷婷伊人綜合中文字幕小说| 婷婷五月综合色中文字幕| 色色色9| 九月丁香婷婷| 五月色丁香| 噜噜色五月| 婷婷午夜| 丁香色播五月天| 欧美色片中文字幕久久久久| 热久久视频99| 久热精品免费视频4| 婷婷激情五月天在线视频| 久操热| 5月婷婷视频网站综合| 九色婷婷| 色情五月天se| 丁香五月-激情综合| 这里只有精品69| αV电影| 亚洲色另类| 色碰干| 99精品久久| 天天日夜夜B久久| 国外亚洲成AV人片在线观看| 五月天激情美女久久| 国产九月婷婷| 婷婷五月草| 91婷婷搞| 五月亭亭开心网| sisi热国产| 九月丁香久久网| 六月丁香综合| 色婷婷av在线| 激情五月婷婷| 色婷婷先锋| 综合九色| 久久综合干| 美女亚洲五月丁香| av操逼网| 色色亚洲视频| 337p大胆噜噜噜噜噜91Av| 99在线免费观看| 五月丁香六月婷婷综合伊人| 国产女人十八水真多1| 久热亚洲| 亚洲精品色色| 五月天婷婷狂暴白浆| 人人爽天天爽| 开心五月婷婷激情| 成人中文网| 狠狠干在线| 第四色激情网| 天天日中文| 停婷丁五月在线| 色区久久| 我淫我色婷婷五月天激情四射| 日本狠狠网| 7月婷婷六月丁香| 丁香五月天操B| 丁香五月成人| 97五月天婷婷午夜| 久久亭亭电影| www激情| 婷婷丁香五月精品| 久久44| 激情综合在线观看| 久久婷婷五月国产激情综合片| 天天激情站| 色色a| 2014天天爽| www.99操.com| 大香蕉AV在线| 婷婷丁香五月天中文字幕| 亚洲激情综| 精品一二三区久久AAA片| 丁香六月久久| 亚洲视频色色| 五月激情婷婷国产精品久久久久久| 天天天天天天操| 26UUU欧美| 九九国产精视频| 色综合久久88色综合天天| 99热这里只有精品1| 五月开心激情网| 色婷操逼| 91啦丨九色丨刺激中文| 丁香婷婷啪啪| 噜噜噜久久| 五月丁香五月激情综合色综合| 国产精品国产| 中文字幕无码人妻少妇免费视频| 97极品在线| 五月丁香色播| 玖玖国产视频一区| 97精品综合久久内射| 99精品成人无码A片观看金桔| 亚洲五月天激情| 五月婷婷激情色情网| 成人av播放| WWW.HENHENL.| 天天操夜夜操| 色综合综合色| 婷婷va| 九九一综合精品| 久久激情视频| 国产AV网页| 这里只有精品视频| 亚洲欧美丁香五月天亚洲欧美| 天天日,夜夜爽| 超碰97免费在线| 九九精品9| 色婷婷影视| 婷婷射丁香| 99热这里只有精品3| 人色五月天婷婷| 激情综合网五月在线播放| 久久一品区| 色欲五月丁香| 亚洲精品久久久久AV无码| 丁香五月综合婷婷| 亚洲精品永久久久久久| 亚洲色综久久五月| 伊人久久婷婷| 丁香五月开心亚洲| 色色色色色九九九九九| 99视频只有精品| 九九久久网| WWW99热| 五月天综合在线观看视频| 天天色综合网吨吧| 五月丁香六月婷婷玖玖| 欧美大奶熟女噜噜噜噜| www.婷婷五月| 久久总和99| 日韩一级网站| 色婷婷综合丁香五月天| 婷婷丁香久久网| 精品一二三区久久AAA片 | 99热只有| 开心五月婷婷激情| 久操无码| 五月停停色色丁香| www热久久yy9| 99精品在线观看视频| 五月婷婷丁香在线| 五月综合影院| 午夜无码精品色综合久久| 五丁香激情综合| 思思99热在线| caopeng超碰| 开心久久xxx色| 久久天天天| 婷婷丁香五月天综合AV| 97自拍视频在线| 五月丁香婷婷在线| 激情综合网五月丁香| 大香蕉天堂| 超碰色综合| 日韩成人无码人妻| 精品久久99码| 99热综合在线| 天天做综合| 影音先锋xfplay资源男人网| 五五月丁香花激情综合网| 丁香六月天婷婷在线| 欧美天天五月丁香免费观看| 五月天久久久| 97人人干| 日本妈妈乱| 九九热这里只有精品556| 91超碰九色| www.激情.com.| 色五月婷婷久久爱| 秋霞网在线观看理论91| 婷婷丁香激情| 真实亲子乱子伦高清在线观看| 狠狠操狠狠操AV| 婷婷丁香亚洲色综合91| www.99热视频| 99热这里只有精品9| 国产av天堂| www五月婷婷88导航| 玖玖综合色区在线观看| 九月大香蕉| 久久免费操| 丁香五月情色| 狠狠狠激情网| 丁香五月亚洲| 免费97碰碰| 欧美婷婷综合| 99国产精品久久久久久久久久久| 九月丁香很很色| 狠狠色九月| 五月玖玖| 色综合天天网| 99这里是精品| 超碰成人av| 婷婷五月天影院| 天久综合91综合首页| 狠狠狠狠青草| 9精品在线| 中文人妻主播久久| 色五月首页| 丁香五月综合激情性爱| 色无码| 婷婷欠久少妇| 蜜桃婷婷狠狠久久| 天天狠天天狠| 99热在线观看亚洲区| 久久精品系列| 日本va欧美va国产激情| 丁香伍月婷电影全集| 光棍影院日韩精品| 99热99网| 五月丁香龟婷婷| 五月天婷婷爱| 成人无码精品1区2区3区免费看| 大香蕉AV电影在线| 九热久| 伦乱美欧| 婷婷色五月天在线观看| 99精品视频网站| 成人丁香婷婷| BT综合在线视频观看| 五月丁香激情婷婷综合字幕| 亚洲欧洲中文日韩久久AV乱码| 久久婷五月天| 丰滿爆乳一区二区三区| 91色噜噜狠狠狠狠色综合| 色色色视频免费无码 | 激情婷婷六月天| 激情五月影院| 91婷婷丁香五月亚洲| 久九色| 热久久这里只有精品20| www.99热精品| 亚洲亚洲人成综合网络| 9精品视频在线| 五月丁香六月婷婷综合网| 婷婷五月天av| 熟女人妻视频| 玖玖色综合网| 久久aaaa片一区二区| www.99视频| 国产精品久久久久久喷浆| 噜噜狠狠色综合久| 免费精品66| 久色资源| 亚洲视频在线观看| 九月av在线| 思思99热在线| 色综合天天综合成人网| 色爱综合网| 久综合| 99性爱视频网站| 九九碰九九爱97| 日韩天堂久久| 色欲五月天| 99久久综合网| 午夜日韩久久久网站| 《》【无码】想被搞到爽AV应募而来的超M素人 西纯子 10musume-011723-01 | 99re在线观看| 久久丁香五月天| 免费观看欧美成人AA片爱我多深| 成人在线视频一区| 在线A色| 天天天天干| 亚洲性爱电影| 婷婷五月综合激情免费| 亚洲成av人影院| 久超超碰| 五月婷婷啪啪啪啪| 色色色综合| 天天网曰日曰夜夜综合永久免费| 成人精品一区二区三区四区五区| 久久九九@| 991自拍视频| 爱草视频在线| 日日干夜夜干| 欧美五月婷婷| 婷婷五月天久久| 五月丁香久久综合91| 影音先锋女人av鲁色资源网小说免费| 在线视频激情网站| 欧美日韩国产成人在线| 狠狠狠人妻| 婷婷五月在线观看| 日本美女上人| www.婷婷五月天| 久久这里只有精品视频15 | 亚洲乱码在线观看| 天天摸天天做天天爱天天爽| 综合色图婷婷| 六月米奇色综合| 激情婷婷丁香| 中文字幕黄色片| 五月天伊人综合| 综合九九久久| 五月丁香六月婷婷的女人| 五月网站| 婷五月天在线草| 欧美精品999| 538午夜激情| 婷婷五月天色| 色五狠狠| 综合噜噜| 91热手机在线| 天天爽天天摸天天爱| 人人97操| 国产 码在线成人网站| 五月天激情综合| 蜜臀av 粉嫩av 懂色av | 婷婷五月花| 五月天啪啪| 色射婷婷五月天| 精品九九在线观看| 欧美激情五月天| 亚洲久热| 色婷婷狠| 噜噜视频| 婷婷五月激情在线视频| 99热6精品| 深爱激情网综合| 日本九九热| 91jiuseshunv| 五月刺激丁香月综合| 五月激情丁香啪啪| 成人国产欧美大片一区| 26.uuu丁香五月婷婷| 九九热视频99| 狼人狠狠操| 五月开心婷婷网| 久草A片| 第五色婷婷| 婷婷丁香五月天激情| 亚洲无码色| 久久色情| 久久激情网| 国产乱妇乱子在线播视频播放网站| 亚洲激情久久| 九九综合| 五月婷婷丁香五月| 99视频在线观看网址| 六月丁香综合| 婷婷五月天AV| 99精品视频在线观看| 国产在线网| 色爱爱综合网| 国产性爱大片久久| 97在线/亚洲| 久久久www| 狠狠色五月激情| 亚洲第一色区| 色五月激情婷婷| 五月婷婷激情综合av| 天天综合亚洲综合| av操一操| 五月综合丁香婷婷| jiZZdr| 91精品久久久久久久久久| 色婷婷亚洲综合天堂| 婷婷九九视频| 国产激情视频在线观看| 琪琪秋霞| 精品一区二区三区三区| 久久五月视频| 久久草婷婷丁香网站| 色婷婷小说| 婷婷情爱五月天6| 六月激情婷婷| 亚洲精品无码一区二区| 婷婷久久婷婷色五月| 天天操夜夜橾| 思思精品视频| 国产精品24r| 国产亚洲色婷婷99精品| 婷婷丁香视频| 九九热欧美| 亚洲黄网在线| 欧美日本黄色| 开心激情站婷婷五月天| 丁香九月婷婷| 男人天堂AV在线一区二区| 色婷婷综合网站| 一起草性爱不卡视频| 99精品在线| 99青青草99| 99热久只有| 婷婷五月天视频免费在线观看| 色五月情| 久久99久久99精品免观看粉嫩| 婷婷欧美偷拍综合| 这里只有精品视频99| 丁香五月婷婷影院| 国模九区| 六月婷婷九月丁香| 思思久久99热| 综合网亚洲| 大地9中文在线观看免费高清| 色色色色色五月丁香| 三十路磁力链接| 91久久久久久久久| 超碰国产AV| 99热这里只有精品手机在线观看| 99re热视频这里只精品| 成人在线网| 亚洲a片免费观看| 婷婷,五月天,丁香,第一| 久久激情综合| 五月丁香六月激情| 正宗黄色毛片| 天天干天天干天天干天天干天天干天天干天天 | 六月婷婷成人| 怕怕av| 色五月婷婷中文字幕| 碰超在线九色| 五月天色婷婷视频| 噜噜色com| 男男野外做爰全过程69| 亚洲中文字幕av| 五月天伊人综合| 婷婷丁香中文字幕| 精a品a视a频| 色播播婷婷| 亚洲99热| 天天日天天摸天天| 狠狠爱综合网| 97自拍视频在线| 狼人婷婷综合| 久久99大| 啪啪啪五月天| 色婷婷亚洲婷婷| 人妻无码视频网| 嫩草AV久久伊人妇女超级a| 国产精品色色|