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)運營的一線實戰(zhàn)洞察。

基于ResNet的人臉表情識別實戰(zhàn):從FER2013訓(xùn)練到部署

基于ResNet的人臉表情識別實戰(zhàn):從FER2013訓(xùn)練到部署 簡介面向Python期末大作業(yè)的人臉表情識別項目基于ResNet搭建覆蓋圖像讀取、數(shù)據(jù)預(yù)處理、模型訓(xùn)練與效果評估的完整流程適合需要完成課程設(shè)計或入門深度學(xué)習(xí)的Python開發(fā)者參考。壓縮包共103個文件約54.11MB核心為19個py源碼文件32個png、14個jpg等圖片構(gòu)成表情樣本集3個hdf5文件提供預(yù)訓(xùn)練權(quán)重可直接加載模型進行測試另有xml配置文件、mp4演示視頻、md說明文檔和gif效果圖方便按需查閱。目前已有135人學(xué)習(xí)下載。源碼經(jīng)過本機調(diào)試可運行附帶的說明文檔能幫助理清數(shù)據(jù)集組織方式與訓(xùn)練流程訓(xùn)練好的權(quán)重文件讓不熟悉訓(xùn)練細節(jié)的同學(xué)也能直接體驗人臉表情識別效果而完整源碼又適合深入分析ResNet各層結(jié)構(gòu)與分類原理。整體難度適中既能支撐期末答辯也可作為K12階段接觸人工智能的實踐素材。1. 基于ResNet的人臉表情識別為什么是期末大作業(yè)里最穩(wěn)的選型每年期末都會看到一批人臉表情識別選題涌上來選型卻總在第一步翻車有人拿VGG在48×48的小圖上硬撐三天出不了能看的Loss有人自研CNN在驗證集上過擬合到懷疑人生?;赗esNet做表情識別之所以穩(wěn)是因為它把“深度”和“可訓(xùn)性”同時給了你——殘差連接讓梯度回傳不再玄學(xué)ResNet18在小數(shù)據(jù)集上就能壓得住數(shù)據(jù)量和算力都在一臺普通筆記本可承受范圍內(nèi)。這套方案本身是一份期末大作業(yè)的完整打包源碼、數(shù)據(jù)集加說明文檔適合正在趕進度、想用最少踩坑把項目跑通的同學(xué)。下面按“數(shù)據(jù)處理→模型訓(xùn)練→部署推理→問題排查”的順序拆開講每個環(huán)節(jié)都給能直接復(fù)現(xiàn)的代碼和參數(shù)。2. 把FER2013數(shù)據(jù)處理成ResNet能吃的格式讀取、增強與標(biāo)簽映射2.1 FER2013的CSV結(jié)構(gòu)一行一圖一標(biāo)簽FER2013是表情識別最常見的公開數(shù)據(jù)集存儲方式有點反直覺它不是一個圖片文件夾而是一個CSV文件每一行是一張48×48的灰度圖。第一列是emotion標(biāo)簽第二列是pixels第三列是Usage用來標(biāo)記這張圖屬于訓(xùn)練集還是測試集。pixels這一列是把48×48灰度值按行展開成2304個數(shù)字用空格分隔。做這個項目時第一步就是先把這三列拆明白不然后面讀數(shù)據(jù)全是坑。常見做法是先用Pandas讀進來看一眼Training、PublicTest、PrivateTest各自的數(shù)量。需要特別留意的是FER2013默認切分是Training約28709張、PublicTest約3589張、PrivateTest約3589張。期末大作業(yè)里我一般用Training做訓(xùn)練、PrivateTest做驗證PublicTest可以直接并入訓(xùn)練集讓ResNet18多看到約12%的數(shù)據(jù)這個操作對最后兩三個百分點的準(zhǔn)確率是有實際幫助的。import pandas as pd df pd.read_csv(fer2013.csv) print(df[Usage].value_counts()) # 按 Usage 切分Training 訓(xùn)練PrivateTest 驗證PublicTest 并入訓(xùn)練 train_df df[df[Usage] Training] val_df df[df[Usage] PrivateTest] extra_df df[df[Usage] PublicTest] train_df pd.concat([train_df, extra_df], ignore_indexTrue) print(train_df.shape, val_df.shape)這段代碼的邏輯是先打印三個子集的樣本數(shù)確認數(shù)據(jù)量然后分別篩出訓(xùn)練、驗證和可擴充部分最后把PublicTest拼進訓(xùn)練集。參數(shù)說明ignore_indexTrue是讓合并后的索引重新編號否則后面按索引取樣本時train_df和val_df的索引會重疊容易在自定義Dataset里張冠李戴val_df保持原樣不動是為了讓驗證集獨立于任何訓(xùn)練數(shù)據(jù)衡量到的準(zhǔn)確率才真實。切分完建議順手打印一下每個類別的樣本數(shù)FER2013的類別分布很不均勻這個信息后面做數(shù)據(jù)增強和類別加權(quán)時要用。2.2 數(shù)據(jù)增強參數(shù)翻轉(zhuǎn)、裁剪與歸一化表情識別一個容易被低估的點是數(shù)據(jù)增強。FER2013只有三萬多張灰度小圖ResNet18參數(shù)量一千多萬直接硬訓(xùn)十有八九過擬合。我一般會在訓(xùn)練側(cè)用RandomHorizontalFlip、RandomAffine和RandomCrop三件套驗證側(cè)只做歸一化和縮放堅決不做隨機變換——這是必須遵守的約定否則驗證集就失去了評估意義。具體參數(shù)上有講究。RandomHorizontalFlip的概率設(shè)0.5水平翻轉(zhuǎn)不會改變表情語義能把數(shù)據(jù)多樣性直接翻倍RandomAffine的degrees設(shè)10translate設(shè)0.1scale設(shè)0.9到1.1之間輕微旋轉(zhuǎn)和縮放模擬拍攝角度差異。注意角度不要設(shè)太大旋轉(zhuǎn)超過15度后人臉特征會明顯失真表情識別不是對旋轉(zhuǎn)很魯棒的任務(wù)這個是我調(diào)參數(shù)調(diào)出來的血淚經(jīng)驗。from torchvision import transforms train_transform transforms.Compose([ transforms.ToPILImage(), transforms.RandomHorizontalFlip(p0.5), transforms.RandomAffine(degrees10, translate(0.1, 0.1), scale(0.9, 1.1)), transforms.RandomCrop(48, padding4), transforms.ToTensor(), transforms.Normalize(mean[0.5], std[0.5]) ]) val_transform transforms.Compose([ transforms.ToPILImage(), transforms.ToTensor(), transforms.Normalize(mean[0.5], std[0.5]) ])關(guān)鍵點在于Normalize的mean和std都填0.5。因為FER2013是單通道灰度圖所以mean和std是長度為1的列表不是ImageNet預(yù)訓(xùn)練常用的三通道寫法[0.485, 0.456, 0.406]。RandomCrop的padding4表示先把圖擴邊到52×52再隨機裁回48×48等效于做了8像素范圍內(nèi)的平移增強這個操作對緩解過擬合很有效。如果你的數(shù)據(jù)集不是48×48需要把RandomCrop和模型輸入尺寸一起改成目標(biāo)值兩者必須保持一致這也是新手最容易埋下的隱患。2.3 自定義Dataset類的完整代碼FER2013的CSV格式?jīng)Q定了不能用torchvision的ImageFolder直接讀必須寫一個自定義Dataset。這個類要做三件事從DataFrame里取到pixels字符串、轉(zhuǎn)成48×48的numpy數(shù)組、再套上對應(yīng)的transform。代碼本身不復(fù)雜但邊界條件多寫的時候容易漏。from torch.utils.data import Dataset import numpy as np class Fer2013Dataset(Dataset): def __init__(self, df, transformNone): self.df df.reset_index(dropTrue) self.transform transform self.label_map {0: angry, 1: disgust, 2: fear, 3: happy, 4: sad, 5: surprise, 6: neutral} def __len__(self): return len(self.df) def __getitem__(self, idx): row self.df.iloc[idx] label int(row[emotion]) pixels np.array(row[pixels].split(), dtypenp.uint8) image pixels.reshape(48, 48) if self.transform: image self.transform(image) return image, label核心邏輯在__getitem__里pixels列用split()按空格拆成字符串列表再轉(zhuǎn)成uint8數(shù)組并reshape成48×48。dtype必須用np.uint8而不是默認的int64否則后面ToTensor會把輸入值域理解錯int64數(shù)組在部分PyTorch版本里甚至?xí)苯訄箢愋湾e誤。label_map這個字典是給最終推理時把數(shù)字標(biāo)簽翻譯成可讀字符串用的訓(xùn)練階段不參與計算但建議提前定義好后面畫混淆矩陣和報告寫分析都要用到。數(shù)據(jù)集這一層是整個流程的底座如果這里出了問題后面訓(xùn)練的模型全部白搭。建議在寫訓(xùn)練代碼之前單獨跑一段驗證取Dataset的前5個樣本打印image.shape和label確認輸出是torch.Size([1, 48, 48])和整型標(biāo)簽再繼續(xù)。這一步只花兩分鐘能省掉后面排查半天數(shù)據(jù)加載問題的痛苦。3. ResNet18搭建與訓(xùn)練核心代碼和參數(shù)設(shè)定3.1 為什么期末大作業(yè)選ResNet18而不是ResNet50選ResNet18而不是ResNet50核心不是玄學(xué)是成本和收益的權(quán)衡。ResNet18的參數(shù)量大約1120萬ResNet50大約2550萬后者在ImageNet這種千萬級數(shù)據(jù)集上確實更強但表情識別只有三萬多張訓(xùn)練圖深度加深帶來的收益會被過擬合抵消。更現(xiàn)實的是訓(xùn)練時間一臺普通筆記本CPU訓(xùn)練ResNet18一個epoch大約3到4分鐘ResNet50要翻倍期末大作業(yè)通常沒有那么多時間反復(fù)調(diào)參。實際操作上不管用torchvision自帶的resnet18還是自己實現(xiàn)都要做三處改動第一層卷積的in_channels從3改成1適配灰度圖conv1的kernel_size從7×7改成3×3stride改成1因為48×48的輸入圖用stride2的7×7卷積會直接丟掉一半信息最后的全連接層輸出改成7對應(yīng)7類表情。這三處改完剩下的殘差塊結(jié)構(gòu)原樣保留。import torch.nn as nn from torchvision import models def build_resnet18(num_classes7): model models.resnet18(pretrainedFalse) model.conv1 nn.Conv2d(1, 64, kernel_size3, stride1, padding1, biasFalse) model.fc nn.Linear(model.fc.in_features, num_classes) return modelpretrainedFalse這里值得專門說。torchvision的resnet18默認帶有ImageNet預(yù)訓(xùn)練權(quán)重輸入是三通道RGB而我們的數(shù)據(jù)是單通道灰度圖直接加載會出現(xiàn)第一層通道數(shù)不匹配。pretrainedFalse讓模型從頭初始化配合前面對conv1的修改訓(xùn)練時不會報維度錯誤。如果真想用遷移學(xué)習(xí)需要另外處理權(quán)重復(fù)制這個我在最后一部分單獨講。改完conv1之后模型的第一個卷積輸出仍然是64個通道殘差塊不需要任何額外調(diào)整這個改動是侵入性最小的。3.2 訓(xùn)練主循環(huán)與超參數(shù)設(shè)定訓(xùn)練主循環(huán)是整套代碼里最不值得自己造輪子的部分。常見做法就是標(biāo)準(zhǔn)PyTorch循環(huán)每個epoch遍歷訓(xùn)練DataLoader計算Loss、反向傳播、更新權(quán)重然后跑一遍驗證集計算準(zhǔn)確率。不需要自己寫分布式、混合精度這些東西期末大作業(yè)用不上加了還容易出環(huán)境兼容問題。import torch import torch.nn as nn from torch.utils.data import DataLoader device torch.device(cuda if torch.cuda.is_available() else cpu) model build_resnet18().to(device) criterion nn.CrossEntropyLoss() optimizer torch.optim.Adam(model.parameters(), lr1e-3, weight_decay1e-4) train_dataset Fer2013Dataset(train_df, transformtrain_transform) val_dataset Fer2013Dataset(val_df, transformval_transform) train_loader DataLoader(train_dataset, batch_size128, shuffleTrue, num_workers2) val_loader DataLoader(val_dataset, batch_size128, shuffleFalse, num_workers2) for epoch in range(30): model.train() train_loss 0.0 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() train_loss loss.item() * images.size(0) model.eval() correct 0 total 0 with torch.no_grad(): for images, labels in val_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() print(fEpoch {epoch1:02d} | Loss {train_loss / len(train_dataset):.4f} | Acc {correct / total:.4f})這里的超參數(shù)是權(quán)衡過的。batch_size設(shè)128是因為FER2013單張圖只有48×48×1顯存占用很小6GB顯存的顯卡毫無壓力如果CPU訓(xùn)練建議降到32或64減少每批次計算峰值。Adam的學(xué)習(xí)率1e-3是經(jīng)驗?zāi)J值weight_decay設(shè)1e-4做L2正則對壓制過擬合很關(guān)鍵。30個epoch是基線配置實際訓(xùn)練中盯著驗證集準(zhǔn)確率如果10個epoch后還在漲就繼續(xù)連續(xù)4個epoch不再提升就該考慮早?;蛘呓祵W(xué)習(xí)率了。參數(shù)取值說明batch_size128GPU可放寬CPU建議3264lr1e-3Adam默認經(jīng)驗值配合調(diào)度器動態(tài)調(diào)整weight_decay1e-4L2正則系數(shù)過擬合時優(yōu)先調(diào)大到1e-3epochs30基線配置按驗證集表現(xiàn)提前?;蜓娱L3.3 學(xué)習(xí)率調(diào)整與模型保存訓(xùn)練到后半程固定學(xué)習(xí)率容易在Loss曲面底部來回震蕩。我一般會在第15個epoch之后把學(xué)習(xí)率降到原來的十分之一讓權(quán)重在更小的步長下微調(diào)。常見做法是用ReduceLROnPlateau它會監(jiān)控驗證集Loss連續(xù)不下降就自動降學(xué)習(xí)率省去手動判斷的麻煩。from torch.optim.lr_scheduler import ReduceLROnPlateau scheduler ReduceLROnPlateau(optimizer, modemin, factor0.1, patience3) # 每個epoch驗證結(jié)束后調(diào)用 scheduler.step(val_loss)保存模型這里有個經(jīng)典誤區(qū)只保存state_dict而不是整個model對象。state_dict是權(quán)重的純字典形式體積小、加載快、跨機器兼容性好整個model序列化會把類的定義路徑也存進去換目錄或者換環(huán)境立刻報錯。保存時把驗證集準(zhǔn)確率最高的那份單獨命名為best_model.pth覆蓋保存這樣訓(xùn)練后期即使過擬合加重手里永遠握著最佳版本算是有后悔藥。best_acc 0.0 # 每個epoch驗證結(jié)束后 if acc best_acc: best_acc acc torch.save(model.state_dict(), best_model.pth)加載時用同一個build_resnet18函數(shù)先實例化模型再load_state_dict。注意要先把模型to(device)再加載否則CPU和GPU之間的權(quán)重device不匹配會報錯。如果是訓(xùn)練中斷后續(xù)訓(xùn)只加載權(quán)重還不夠——optimizer的state_dict也要一起保存和加載因為Adam的動量信息丟失后重啟訓(xùn)練前幾個epoch的效果會明顯變差。提示進程被殺或斷電時best_model.pth里保存的是最近一次驗證集最優(yōu)的權(quán)重。重新啟動直接加載這個文件繼續(xù)調(diào)參不需要從頭重跑能省下大量時間。4. 訓(xùn)練完怎么用圖片推理與攝像頭實時識別4.1 單張圖片推理代碼訓(xùn)練完成后最直接的驗證方式是拿一張沒見過的圖片跑前向推理。這個流程每一步都有對應(yīng)的坑讀圖→轉(zhuǎn)灰度→縮放48×48→歸一化→進模型→取softmax最大值對應(yīng)的類別。OpenCV的imread默認讀出來是BGR三通道必須先用cvtColor轉(zhuǎn)成灰度否則通道數(shù)對不上模型輸入。import cv2 import torch def predict_image(model, image_path, device): model.eval() img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) resized cv2.resize(gray, (48, 48)) tensor torch.from_numpy(resized).unsqueeze(0).unsqueeze(0).float() / 255.0 tensor (tensor - 0.5) / 0.5 tensor tensor.to(device) with torch.no_grad(): output model(tensor) prob torch.softmax(output, dim1) pred torch.argmax(prob, dim1).item() label_map {0: angry, 1: disgust, 2: fear, 3: happy, 4: sad, 5: surprise, 6: neutral} return label_map[pred], prob[0, pred].item()這里有一個容易翻車的細節(jié)訓(xùn)練時Normalize用的是mean0.5、std0.5推理時也必須做一模一樣的歸一化不能只除以255就進模型。很多人在這里忘了減均值除標(biāo)準(zhǔn)差導(dǎo)致推理結(jié)果和驗證集準(zhǔn)確率對不上還以為是模型壞了。tensor從H×W變成1×1×H×W第一個unsqueeze(0)模擬batch維度第二個模擬channel維度因為灰度圖只有一個通道。softmax概率值同時返回方便在界面上顯示置信度答辯展示時比只給一個標(biāo)簽更有說服力。4.2 用OpenCV做攝像頭實時表情識別攝像頭實時識別是答辯時最出效果的部分。核心是用OpenCV的VideoCapture讀每一幀用Haar級聯(lián)檢測人臉并框出ROI把ROI縮放到48×48送進模型再把預(yù)測結(jié)果畫在框上。人臉檢測用的xml文件在OpenCV安裝目錄里自帶不需要額外下載。import cv2 import torch model build_resnet18() model.load_state_dict(torch.load(best_model.pth, map_locationcpu)) model.eval() cap cv2.VideoCapture(0) face_cascade cv2.CascadeClassifier(cv2.data.haarcascades haarcascade_frontalface_default.xml) label_map {0: angry, 1: disgust, 2: fear, 3: happy, 4: sad, 5: surprise, 6: neutral} while True: ret, frame cap.read() if not ret: break gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces face_cascade.detectMultiScale(gray, scaleFactor1.1, minNeighbors5, minSize(48, 48)) for (x, y, w, h) in faces: roi gray[y:yh, x:xw] roi cv2.resize(roi, (48, 48)) tensor torch.from_numpy(roi).unsqueeze(0).unsqueeze(0).float() / 255.0 tensor (tensor - 0.5) / 0.5 with torch.no_grad(): output model(tensor) pred torch.argmax(output, dim1).item() prob torch.softmax(output, dim1)[0, pred].item() cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) cv2.putText(frame, f{label_map[pred]} {prob:.2f}, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2) cv2.imshow(FER, frame) if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()detectMultiScale的三個核心參數(shù)直接決定檢測靈敏度。scaleFactor1.1表示每次搜索窗口縮小10%越接近1越慢但越準(zhǔn)minNeighbors5表示一個候選框至少要有5個鄰近框確認才算人臉調(diào)小會出更多誤檢調(diào)大容易漏檢測minSize(48, 48)直接過濾掉比訓(xùn)練圖還小的框因為這種框即使檢測到了縮放進模型后也丟光了細節(jié)。這一段的實際體驗對答辯很關(guān)鍵建議提前在教室或?qū)嶒炇业墓庹諚l件下跑一遍確認能穩(wěn)定識別而不是到答辯現(xiàn)場才第一次試。5. 避坑指南訓(xùn)練過程中的5個常見翻車現(xiàn)場5.1 過擬合Loss下降但驗證集準(zhǔn)確率不動現(xiàn)象訓(xùn)練集Loss每輪都在降驗證集準(zhǔn)確率在60%上下原地踏步甚至往下掉。原因FER2013只有三萬多張圖ResNet18的擬合能力太強模型開始背誦訓(xùn)練樣本而不是學(xué)習(xí)表情的通用特征。這是小數(shù)據(jù)集配深網(wǎng)絡(luò)最典型的癥狀。解決三步走。第一確認數(shù)據(jù)增強有沒有實際作用到訓(xùn)練集很多人把增強寫在transform里卻在Dataset構(gòu)造時忘了傳進去。第二增大weight_decay從1e-4加到1e-3給權(quán)重更強的正則約束。第三在最后一層全連接前加一個nn.Dropout(p0.3)。我自己的經(jīng)驗是增大weight_decay比加Dropout效果來得更快同時訓(xùn)練Loss會略微抬高這是正常的說明過擬合被壓住了。5.2 數(shù)據(jù)不平衡個別類別準(zhǔn)確率低得離譜現(xiàn)象訓(xùn)練完成看分類報告angry和disgust的F1分數(shù)明顯低于happy和neutral單獨抽這幾類樣本測試準(zhǔn)確率不到40%。原因FER2013類別分布本來就不均勻disgust類只有大約600張訓(xùn)練樣本而happy有7000多張模型天然傾向預(yù)測占比大的類別少數(shù)類被犧牲掉。解決最有效的是在Loss層面做類別加權(quán)。torch.nn.CrossEntropyLoss自帶weight參數(shù)傳入與各類別樣本數(shù)倒數(shù)成比例的權(quán)重向量即可。另一個辦法是用WeightedRandomSampler做訓(xùn)練集采樣讓每個epoch中少數(shù)類被重復(fù)采樣到接近多數(shù)類的數(shù)量這樣不用改Loss就能讓模型在訓(xùn)練時看到均衡的類別比例。這兩種方法可以同時用期末作業(yè)里選用一種就能看到明顯改善。5.3 灰度圖和三通道維度不匹配現(xiàn)象DataLoader跑起來第一輪就報錯RuntimeError提示channel維度不匹配expected 3 got 1或者反過來在推理時報expected 1 got 3。原因模型第一層卷積的輸入通道寫的還是3但FER2013的數(shù)據(jù)是單通道灰度圖。反過來如果你推理時用cv2.imread直接讀彩色圖送進模型也會出現(xiàn)同樣的維度沖突。解決模型搭建時就要統(tǒng)一把conv1.in_channels改成1這是第一步。第二個容易忽略的是訓(xùn)練和推理的預(yù)處理必須完全一致如果訓(xùn)練用灰度圖推理就不能傳彩色圖。遇到這類錯誤優(yōu)先檢查模型定義和transform不要先懷疑數(shù)據(jù)本身。5.4 顯存不足或者CPU訓(xùn)練慢到崩潰現(xiàn)象訓(xùn)練到一半進程直接崩掉提示CUDA out of memory或者CPU訓(xùn)練一個epoch要十幾分鐘整個流程根本跑不完。原因batch_size太大把顯存擠爆或者num_workers設(shè)置不當(dāng)導(dǎo)致內(nèi)存開銷過高。學(xué)生筆記本往往是4GB顯存或干脆只有集顯本來負擔(dān)就重。解決batch_size降到32甚至16并確認模型和訓(xùn)練數(shù)據(jù)都在cuda上而沒有跑偏。如果CPU訓(xùn)練num_workers設(shè)成0可以避免多進程加載帶來的額外內(nèi)存開銷。更狠一點的辦法是先把預(yù)處理后的48×48圖存成npy數(shù)組訓(xùn)練時直接讀npy省掉每次CSV字符串解析的耗時實測CPU訓(xùn)練能提速20%以上。5.5 加載模型時key不匹配現(xiàn)象加載best_model.pth時報錯提示Missing key(s)和Unexpected key(s)比如fc.weight和conv1.weight對不上。原因兩個常見來源。一是模型實例化時改了結(jié)構(gòu)但保存的權(quán)重來自改結(jié)構(gòu)之前的模型二是環(huán)境A和B里的模型類定義不一致比如一臺機器用的全連接層輸出是7類另一臺改成了別的數(shù)值。解決先打印模型每一層名字和權(quán)重形狀檢查conv1和fc是否和構(gòu)造時一致。保存和加載必須用同一個build_resnet18函數(shù)不要手動New一個結(jié)構(gòu)后再load。另外torch.load時加map_locationcpu即使權(quán)重是在GPU上訓(xùn)練的也能在無GPU的機器上加載不會因為device不匹配報錯這是最實用的一個技巧。6. 讓準(zhǔn)確率再進一步遷移學(xué)習(xí)與混淆矩陣分析6.1 用torchvision預(yù)訓(xùn)練權(quán)重做遷移學(xué)習(xí)如果驗證集準(zhǔn)確率卡在65%左右上不去一個可嘗試的提升手段是用ImageNet預(yù)訓(xùn)練權(quán)重做遷移學(xué)習(xí)。但這里的坑很明確ImageNet是三通道彩色圖FER2013是單通道灰度圖直接加載會通道數(shù)不匹配。常見做法是把灰度圖復(fù)制成三通道然后加載預(yù)訓(xùn)練模型再凍結(jié)前幾層只微調(diào)后面幾層。from torchvision import models model models.resnet18(pretrainedTrue) model.conv1 nn.Conv2d(1, 64, kernel_size3, stride1, padding1, biasFalse) # 復(fù)制權(quán)重新conv1每個輸出通道取原權(quán)重在輸入通道維度的均值 with torch.no_grad(): model.conv1.weight.copy_(model.conv1.weight.mean(dim1, keepdimTrue)) model.fc nn.Linear(512, 7)權(quán)重復(fù)制這里用取均值的方法原conv1權(quán)重形狀是[64, 3, 7, 7]在輸入通道維度求均值后變成[64, 1, 7, 7]keepdimTrue保持維度數(shù)不變。但說實話FER2013和ImageNet的域差距很大預(yù)訓(xùn)練權(quán)重的收益沒有目標(biāo)檢測任務(wù)里那么明顯我從65%提到68%左右提升有限。如果你時間緊先做好數(shù)據(jù)增強和正則也足夠交差遷移學(xué)習(xí)是加分項而不是必選項。6.2 混淆矩陣的繪制與報告引用期末大作業(yè)的說明文檔里準(zhǔn)確率一個數(shù)字說服力有限混淆矩陣是答辯時最直觀展示模型短板的東西。它一眼就能看出模型把難過誤判成了中性還是把恐懼誤判成了驚訝。繪制方法是在驗證集上收集所有預(yù)測結(jié)果和真實標(biāo)簽用sklearn生成矩陣再用seaborn畫成熱力圖。from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt import seaborn as sns y_true, y_pred [], [] model.eval() with torch.no_grad(): for images, labels in val_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted torch.max(outputs, 1) y_true.extend(labels.cpu().numpy()) y_pred.extend(predicted.cpu().numpy()) cm confusion_matrix(y_true, y_pred) labels [angry, disgust, fear, happy, sad, surprise, neutral] plt.figure(figsize(10, 8)) sns.heatmap(cm, annotTrue, fmtd, xticklabelslabels, yticklabelslabels) plt.xlabel(Predicted) plt.ylabel(True) plt.tight_layout() plt.savefig(confusion_matrix.png, dpi150)這段代碼里y_true和y_pred要全部收集完再統(tǒng)一算一次混淆矩陣不能在每個batch里分別算再相加因為混淆矩陣本質(zhì)是全量預(yù)測結(jié)果的計數(shù)。annotTrue會在每個格子顯示數(shù)字fmtd表示用整數(shù)格式顯示否則seaborn默認用科學(xué)計數(shù)法?;煜仃嚪胚M報告時記得在下方配一段簡短分析指出哪兩類最容易混淆比如sad和neutral再解釋這個結(jié)果和人類認知的一致性。只貼圖不解釋的扣分概率很高這段文字是評分時的實際加分項。最后說說我的習(xí)慣。做這個項目時我在訓(xùn)練完成后會留著最后一版模型和第一版模型的準(zhǔn)確率對比寫報告時把每次調(diào)參改了什么、驗證集漲了多少點逐條列出來這份過程記錄比最后的準(zhǔn)確率數(shù)字更能體現(xiàn)工作量。答辯時被問到“你怎么知道這是過擬合”直接把自己記錄里訓(xùn)練Loss下降、驗證Acc停滯的曲線拿出來講比背概念有說服力得多。這個基于ResNet的表情識別項目真正值錢的不是那幾行模型代碼而是你有沒有把數(shù)據(jù)、訓(xùn)練、推理這條鏈路上的每個環(huán)節(jié)都走通并且把原理說清楚。希望幫到你。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
十二区无码| 日韩人妻无码专区| 五月婷婷激情网| 青草视频在线蜜臀| 日韩色五月| 成人精品在线| 色婷婷日本| 欧洲激情网站| 久久人人九九| 久久一伦| 无码人妻丰满熟妇奶水区码 | 色色色婷婷| 久久这里这里有精品免费视频| XX色综合| 99热资源在线| 丁香五月综合网亚洲综合欧美狠狠| 超碰av天堂| 精品亚洲国产成AV人片传媒| 久久久www| 99热这里只有精品96| 超91热| 国产婷婷五月天| 五月天婷婷丁香蜜桃91| 久久五月天精品视频| 色婷婷aV四虎| 青青久久五月| 清纯唯美 激情四射| 久久久ww| 丁香婷婷色色| 久九男女天堂| 精品国产乱码久久久久夜深人妻| 天天操天天曰| 欧美色久| 色噜噜97视频在线观看| 人人干人人看| 五月激情婷婷丁香天堂| 99热这里只有免费| 久久这里只有国产视频| 99这里只有精品在线| 色五月五月婷婷| 男同色五月开心五月激情五月| 久久这里只有精品99| 激情丁香五月天图片| 狠狠做五月婷婷| 人人干女人| 亚洲丁香花五月丁香花| 九九成人电影婷婷| 色九四色| 淫视馆av三区| 极品五月天| 久久99久久99精品,久国产,久久精品免费,99久在线,久久久久国产精品免费网站,9 | 色婷婷五月天亚洲| 日日噜狠狠色综| 国产亚洲网站在线| 五月天色色网站| 天堂网啪啪| 丁香婷婷五月天成人| 国产肥白大熟妇BBBB视频| 五月天激情图片| 啪啪啪综合网| 久久激情网| 亚洲丁香五月天视频| 亚洲五月情| 久久五月婷综合网| 欧美噜噜免费观看| 日本五月丁香| 2025天天操| 天天射射夜| 久久久婷婷婷| 午夜理论片最新午夜理论剧| 五月丁香综合伦理片| 五月婷婷与六月丁香图片激情| 欧美三级黄色片久久| 我去色色网五雨天| 九月丁香亭亭| 五月天另类综合网| 婷婷丁香五月亚洲免费| 婷婷射综合| 久久这里只有精品热在99| 综合色五月| 丁香色五月婷婷| 色五月丁香网| 色婷婷久久| 91操熟女| 国产日产亚系列精品版优势| 激情九色| 看婷婷五月天网| 欧美性二区| 久久这里只有精彩| 操操操AV| 日本美女上人| 激情六月天| 强辱丰满人妻HD中文字幕| 国产精品99久久久久久久女警| 夜夜爽77777妓女免费下载 | 丁香五月自拍| 婷婷综合五月色播| www.99热视频| 青草视频在线播放| 五月天三级久久| 婷婷四色五月| 久久机热这里只有 | 99色在线观看视频者| 俺也去五月婷婷丁| www色五月| 国产伦理精品高清在线观看网站一区二区| av在线色五月丁香婷区久| 日日操夜夜操狠狠操| 激情综合网激情五月欧美| 欧美婷| 婷婷五月天色| 啪啪激情网| 丁香五月性爱| 免费观看日韩成人av| 婷婷六月视频| 可以免费看的av网站| 久草热在线视频| www.色九月| 丁香九月婷婷| 日韩AV中文字幕在线| 日本 欧美在线| 五月丁香激情婷婷综合字幕| 91视频精品99| 欧美三级大片AA在线看| 五月开心六月婷婷在线播放网站| 五月天综合在线观看视频| 亚洲精品无码久久| 亚洲人成网站999久久久综合| 亚洲av免费在线| 国熟女视频| 九九热精品视频在线观看| 色偷偷综合| 免费无码毛片一区二区A片| 久热爱大香蕉在线蜜臀悦色 | 五月天婷婷综合免费| 色综合久久久久| 丁香情色五月| 婷婷五月天美女| 久久性爱视频这里只有精品| 婷婷五月花| 色色网站在线| 嫩BBB搡BBBB榛BBBB| 人妻中文字幕网| 99re久热只有精品6在线直播| 日韩啊啊啊| 强壮的公次次弄得我高潮A片日本 | 在线观看视频1区| 91成人品| 一区视频网站| 青青久久五月天丁香婷婷| 婷婷五月综合啪| 激情小说婷婷小说| 综合网五月| 一本九九色| 99视频精品视频| 人妻精品一区二区三区| 另类亚洲电影| 人人人操B超碰| 久久性操| 久久精品99久久| 五月丁香无码| www网站在线观看| 狠狠操.com| 六月婷婷开心| 激情久久月| 国产成人va在线| 五月天偷拍| 激情六月丁香| 九九RE视频在线精品| 九九九九九九热| 91ncom.色| 香蕉人在线香蕉人在线 | 婷婷视频在线| 色大综合| 在线中文字幕免费视频| 欧爱综合视频| 665566 无码| 六月丁香婷婷视频综合在线观看| 欧美婷婷丁香五月社区| 快乐激情五月色婷婷| 亚洲国产成人在线| 91热爆在线| 婷婷五月,偷窥偷拍网| 9精品一区| 丁香激激情网| 97爱综合| 婷婷99狠狠| 色综合九九色综合88| 婷婷伊人五月丁香天堂网| 久久婷婷五月天激情唯美| 97在线观视频免费观看| 亚洲精色| 99九九热视频免费| 99热综合网| 97九色视频| 色婷婷A| 丁香色影院| 丁香婷婷深情五月亚洲| 91人人网| BBWCUCKOLD精品熟妇| 九九精品片一| 1024AV视频| 天天做天天爱天天玩夜夜爽| 婷婷爱五月| 97丁香五月| 99亚洲视频| 色婷婷免费视频| 超碰在线免费9| 大香蕉中文| www九九| 99热这里全都是精品| 色综合com| 久久综合五月| 五月天婷a| 激情操逼婷婷| 99亚洲精美视频在线观看| 夜夜谢天天干| 欧美色五月| 五月激情综合网| 爱操人妻| 亚洲免费婷婷| 老司机视频lsj爱就色| 思思热精品免费视频| 中文字幕在线aⅴ免费观看| 国产精品激情五月天色婷婷| 啪啪 综合网| 思思热这里只有精品| 成人超碰AV| 久久婷婷七月丁香| 丁香五月婷婷亚洲综合精品| 超碰v| 伊人婷婷五月| 婷婷综合色图| 果冻传媒A片一二三区| 99热这里只有精品 搜| 亚州在线中文字幕| 久久五月激情综合| 婷婷五月天论坛| 色玖玖玖| 五月天色软件| 99re思思久久| 久久99精品久久只有精品| 亚洲黄色精品| 91N 一起草| 91婷婷色五月| 久久人妻伦理| 激情五月丁香色婷婷| 日韩婷久| 国产性av| 色婷婷五月天偷拍| 五月天婷婷小说| www.超碰| 日韩超碰在线| 婷婷丁香综合色AV| 欧美电影在线播放| 五月婷网| 夜夜爱网站| 思思久久99热| 久久精品99久久| 国产真实乱了老女人视频 | 国产精品久久..4399| 少妇人妻人伦A片| 97精品自拍视频| 丁香月五月天婷婷久久| 激情综合五月丁香| 精品成人在线观看| 黄色笑话深爱激情网丁香五月婷婷啪啪啪啪啪 | 日本婷婷| 亚洲激情色色| 这里只有精9| 日韩啪图| 激情98色婷婷五| 国产在线黄色| 激情婷婷丁香| 激情小说视频图片| 九九色视频| 天天色月| 99re这里只有精品99| 超碰AV成人| 国产精品久久久久9999小说| 99热| 久久久久久久人妻| 任你草| 激情综合色婷婷啪啪六月天| 婷婷五月丁香婷婷| 狠狠人妻久久久久久综合丁香| 九九久久99精品免费观看www| 成人小说色图婷婷五月| 婷婷丁香色女人| 伊人激情AV一区二区三区| 色伊人婷婷| 激情五月天小说|五月天开心激情网|亚洲精品国产自在现线|黄色五月天 | 日本99在线| 青柠影视免费高清电视剧| 婷婷五月AV| 五月婷婷片| 亚洲 五月 婷婷 成人| 99精品这里只有免费视频| 人妻激情在线| 亚洲美女高潮久久久久久69| 欧美激情综合| 婷婷五月大| 激情久久五月天| 婷婷五月激情五月丁香五月| 亚洲成人五月| 色欲色香综合网| 丁香五月六月激情| 日日日天天干| 狠狠插狠狠插| 色婷婷五月在线| 99色最新在线视频网站| 国产婷婷五月天| 色色色色色爱| 丁香五月综合AV在线| 97丁香五月| 97韩国久久电影院| 婷婷婷婷婷婷婷五月丁香| 色播五月丁香| 99精品视频在线观看| 天天插AV丝袜中| 九九性视频| 五月天五月天成人网亭亭成人色网站| 亚洲va欧美va天堂v国产综合| 五月天婷婷爱| 色99热| 91视频一起草| 99色婷婷视频| 一本色道久久88加勒比| 色原狠狠综合| 大香蕉综合网| 亚洲婷婷丁香五月视频| 色天五月天在线观看视频| 99视频在线精品| 婷婷久久精品| 99精品在线播放| 国产看真人毛片爱做A片| 国产AV熟妇人震精品一品二区| 国产,欧美,学生妹,视频| 久久ri精品| 色婷婷亚洲婷婷| 久久精品人妻| AV电影在线播放| 丁香网五月天| 日韩av在线免费观看| 爱操人妻| 色久激情在线| 99ri精品| 婷婷五月天综合亚洲| 九九综合88| 六月婷婷久久| 色婷婷色情| 思思热精品在线观看| 殴美综合激情五月天免费视频| 亚洲啪啪视频| 91干婷婷| 亚洲久热| 狠狠狠狠狠草| 色九月| 97色射| 99狠狠色| 天天舔天天摸天天透| 狠狠穞A片一區二區三區| 色情五月婷婷| 免费啪啪啪网站| 中文字幕在线日亚州9| 精品99网站| 婷婷久久五月天| 婷婷五月天福利| 碰超亚洲| 密黄站| 五月天伊人综合| 大香蕉天堂| 日日做A爰片久久毛片A片英语| 91日精品| 亚洲色综合性| 五月婷婷激情久久| 婷婷色爱| 少妇性BBB搡BBB爽爽爽视頻| 亚洲综合色色| 99这里只有精| 激情综合视频| 99热热九九| 婷婷五月天视频| 成人精品一区日本无码网| 99少妇精品| 丁香六月激情综合网| 久99久99精品免| 91精品国产综合久久久不卡电影| 婷婷色婷婷亚洲成人| 久草热视频在线观看| 亚洲成人在线播放| www九九热| 精品无吗va视频免费观看| 国产精品美女久久久久AV超清| 久久9RE热视频精品98| 婷婷丁香第一页| 97操碰视频| 亚洲AV日韩AV永久无码网站| 婷婷五月天首页| 99精在线| 色99热| 99热免费精品| 婷婷丁香久久网| 国产在线6| 五月玖玖| 国产精品操| 五月亚洲| 色九九一二| 啪啪五月天啪啪| 99操99| 2020日日干| 丁香婷婷成人在线播放| 五月婷婷香蕉| 久热最新视频| 超碰在线观看三级片| 色色色欧美| 六月丁香婷婷综合狠狠爱夜夜爱| 九九精品亚洲| 日本美女五月天| 午夜在线成人网站免费观看| 久狠日av| 美女天天爽| 青青草大香| 婷婷丁香五月天色区| 激情综合婷婷| 99高级会所久久| 天天日日夜夜| 热99视频精品| 人妻丰满精品一区二区A片| 亚洲婷婷丁香五月在线| 丁香五月电影| www.五月天婷婷姐姐| 欧洲色| 欧美激情五月天婷婷| 久久婷婷视频| 丁香五月色综合色播五月| 日韩啪啪网| 婷婷色五月婷婷姐妹| 激情五月激情综合网| 人人草公开操| 久久精品一区二区三区四区| 婷婷十月丁香| 丁香五月亚洲综合| 亚洲五月天激情| 丁香婷婷老司机久操| 日本操逼九九九九58日本操逼| 丰满老熟妇BBBBB搡BBB| 天天色综合综合| 免费无码毛片一区二区A片| 婷婷丁香77777| 97av在线视频| 丁香五月中文字幕久色| 色综合色色色色色色综合| 丁香六月婷婷激情| 婷婷玖玖丁香| 天天狠狠夜夜狠狠2023| 99热大片| 夜色综合网| 色五月天丁香| 99视频精品8| 五月婷婷无码专区| 97碰 在线视频观看| 99色在线视频| 综合97五月| 亚洲精品V天堂中文字幕| 午夜精品777| 色综合女人99| 色色五月婷| 女人天堂av| 激情五月婷婷色综合| 5五月综合网亚洲| 热久久77777| 99热9| 99热9999| 婷婷色婷婷亚洲成人| 久久伊人9| 九九综合网色全集 | 激情五月丁香五月| 玖玖在线视频| 九九色婷婷| 五月婷av| 无码免费人妻A片AAA毛片西瓜| 思思久久精品| 久久久精品色色色| 91综合色| 男人大jjc女人免费视频| 色激情五月| 午夜理论片最新午夜理论剧| 九九九九九九综合| 免费观看欧美成人AA片爱我多深| 久久婷婷亚洲| 婷婷夜夜夜夜| 少妇高潮一区二区三区99欧美| 影音先锋日本三级资源| 久久九九99| 99只有这里是精品| 天天插天天狠| 亚洲99在线| 麻豆WWWCOM内射软件| 99久久99九九99九九九| 人妻aV在线| 激情綜合網址| 中文字幕在线日亚洲9| 97五月天| 久久色天堂| 高清一区二区三区日本久| 亚洲色视频| www。88热在线视频免费观看| 国产色视频网站2| 丁香五月天视频| 99久久精| 久久激情综合| 五月天婷婷社区| 婷婷伊人网| 亚洲综合激情五月久久| 99热这里只有在线| 超碰国产AV| 九九色综合九九色| 久久久精品免费啪啪国| www.五月婷婷.com| 精品无码人妻一区| 99性爱| 色色色色热| 人人摸人人操人人爱| 丁香五月性爱爱五月| 欧美人人草草| www色色com| 激情综合五月天| 99热这里只有精品3| 婷婷激情蜜桃玖玖丁香| 天天舔夜夜操www com| 色五月综合激情| HD久久精品视频| 婷婷在线中文字幕| 97夫妻超碰| 五月丁香色色网| 日本三级中国三级99人妇网站| 91se在线观看| 激情综合五月天| 婷婷五月激情五月激情| 九九视频这里只有精彩| 婷婷五月深深爱| 亚洲综合在线视频| 色五婷婷| 99热这里只有精品2024| 天天天干夜夜夜操| 4438成人电影| 五月天婷婷激情春色小说| 五月开心婷婷网| 久久色婷婷| 99九九精品视频| 在线资源av-超碰中文在线-成人AV| 91 久热| 欧美日本国产| 五月婷婷久久网| 欧美日韩色色| 色色五月天com| 婷婷性爱视频在线| 婷婷综合精品| 婷婷丁香六月综合激情站| 99久热在线精品| 色综合网上班开心婷婷久久| 六月亚洲婷婷6月中文字幕| 五月天亚洲图片婷婷| 五月丁香六月久久| 色爱综合视频| 天插天啪天啪天啪| 热思思| 丁香久久| 久久停停超碰| 99爱视频免费| 欧美日韩精品人妻狠狠躁免费视频| 欧美私人家庭影院| 99热精品在线播放观看| 99热精品99| 免费看片在线观看| 色 色 色综合com| 亚洲传媒在线观看| 五月丁香综合中文| 成人AV免费观看| 色欲天天综合网| 婷婷久久五月| 99精品综合在线| 超碰97免费在线| 金桔一区二区ab地址| 梁铮版《蜘蛛女侠》在线| 888精品福利地址| 天天噜天天爱| 综合五月天婷婷色| 在线观看av网站| 五月叮香啪| www.97视频| 九九精品9| 丁香久月婷| 色狠狠五月天| 天天天天爽爽天干| 无码激情| 潘金莲AAAAAAAAAA| 噜噜噜狠狠色综| 婷婷五月天日本国产| 国产精品久久久丁香五月八戒视频| www.minyis.com【JT】实力收量可预付QQ2101460746 | 久久九九99| 久久久aaa| 少妇丁香婷婷 | 午夜]香婷婷深深爱| 五月久久网| 婷婷丁香色五月天久久88| 五月婷婷开心综合| 97人人草| www.丁香黄色五月天人与| 六月婷婷色色色| 丁香五月成人论坛| 丁香六月无码播放| 国产精品大香蕉| 激情色情五月天| 久久这里只有精彩| 久热只有精品| AA片在线观看视频在线播放| 爆乳熟妇一区二区三区爆乳照片| 久久草婷婷丁香网站| 久久婷婷五月综合伊人| 99视频热99| 日韩啪啪视频| www.婷婷五月| 97好吊操| 九月婷婷综合网| 五月激情啪啪| 性生活视频98791| 激情啪啪五月| 天天艹夜夜艹| 亚洲啪啪精品| 操丝袜视频影院导航| 99热综合网| 1024AV视频| 俺也去在线久久精品23欧美综合视频网站,丰满人妻一区二区三区在线视频53,丰满 | 婷婷五月天国产传媒| 五月婷婷熟女| 日本va欧美va国产激情| 婷婷激情五月呦呦| 九热在线这里有精品6| 婷婷五月电影| 无码色综合| 欧美丁香婷婷天天操| 色激情五月| 国产成人精品一区二三区熟女在线| 久久9视频欧美| 丁香婷婷月| 天天综合图片| 六月色激情| 五月丁香激情综合网| 九九一综合精品| 亚洲四色五月| 丁J香六月首页| 91碰视频| 免费观看大片视频 丁香婷婷 六月欧美| 青青草国产亚洲精品久久| 99在线视频播放| 精a品a| 夜夜撸日日操| 中文字幕在线资源| 天天操无码| 久久99精品日本| 色五月丁香五月| 超级碰碰碰久久网站| 五月婷婷狠狠干| 无码少妇高潮喷水A片免费| 色五月成人婷婷| 色色色色网站| 天天狠天天狠| 中文av网站| 婷婷色在线观看| 亚洲第一成人无码A片| 亚洲欧洲午夜成人精品av| 大地资源色婷婷视频在线| 亚洲乱码日产精品BD| 久久久精品99亚洲综合| 久热91| 久月丁香爱婷婷综合| 色婷婷丁香五月| 精品热青草| 五月丁香六月综合情在线观看| 久色激情| 99精品在线观看视频| 99热在线观看| 亚洲视频一区| 五月天久久色| 日本综合九九| 婷婷五月丁香四射| 97超碰99热99| 久热伊人9| 免费在线观看AV网站| 97干在线| 色优久久| www.婷婷| 欧美色男人网站| 日本不卡高字幕在线2019| 色五月网址| 狠狠五月天| 国产露脸150部国语对白| 国产亚洲精品久久久久久郑州 | 成人做爰高潮A片免费视频| 亚洲精品一区中文字幕乱码| 色偷偷AV亚洲男人的天堂| 国产日产亚系列精品版优势| av在线免费播放观看| 嫩草哈哈操| 丁香香蕉婷婷| 婷婷99狠狠躁天天| 天天拍夜夜撸| 99热只有这里才是精品| 天天精品视频免费观看| 久热一本| 免费视频无码| 精品五月花| 殴美日韩成人| 五月份婷婷| 岛国av网| 热99只有里视频| 激情五月激情综合网| AAA久久| 欧美色色色色色| 久久这里面只有精品视频| 不卡成人免费| 婷婷久久五月天| 99惹精品视频| 成人AV在线网站| 婷婷D区| 亚洲婷婷五月天| 天天色一道本综合婷婷| 久久五月情| 婷婷五月天福利| 久久人妻伦理| 夜夜人妻五月天| 欧美日韩婷婷五月天| 五月婷天天搞视频| 五夜婷婷| 六月婷婷天堂| 99自拍视频| 天天插轮理| 97婷婷狠狠| 五月综合人妻| 强伦轩人妻一区二区电影| 色五月综合网| 亚洲无码成人| 99热97美女| www超碰| 欧美Va婷色| 六月米奇色综合| 9l视频自拍九色9l视频在线观看| 欧美色一级色| 另类在线| 欧美色五月| 激情婷婷五月天在线观看| 99色综合网| 99caobi| 99久久人妻精品无码二区| 天天噜日日噜综合无码| 在线1青婷| 欧美天天综合网站上去吧| 色色色综合色| 婷婷五月综合社区| 99热在线播放精品| 婷婷色播综合五月| 激情婷婷| 日本一级一片免费视频| 色婷婷社区| 精品影院| 丁香六月色香蕉视频| 99精品综合| 九九九干精品| 亚洲色情激情丁香五月| 丁香五月天视频| 九九这里是免费的视频5| 日本熟女内射| 久久久99精品免费观看| 欧亚色色| 丁香色婷婷| wWW九九在线播放| 开心激情网在线| 丁香五月婷婷免费视频| 开心亚洲久久开心| 亚洲这里只有精品| 97干在线观看视频| A网在线欧洲| 99年操人人爽| 天天综合五月| 丰满少妇猛烈A片免费看观看 | 99ri在线| 97人人超| 色婷婷狠狠爱| 日韩成人电影AV| 狠狠第四色| 99碰网站| 在线观看996精品| 日本色色网站| 国产成人高清| 激情久久久久久| w婷婷五月婷婷w| 国产色网站| 天天色天天日天天舔| 少妇AB又爽又紧无码网站| 98毛片| 99热精品免费| 黄色99网| 99re资源在线视频导航| 激情九九这里只有精品| 欧美精品狠狠色丁香婷婷| 中文字幕色色色| 51精品国自产在线| 婷婷九月丁香久久| 色五月色开心开心五月| 色色色色色色色色网站| 婷婷五月天综合AV| 成人欧美日韩| 国产xxxxx在线观看| 操操啪| 2025天天爽天天摸| 日本97在线观看| 五月开心激情网| 狠狠狠狠青草| 国产无人区大片| 在线不卡视频| 国产亚洲成AV人片在线观黄桃| 亚洲一区先锋影音| 日韩av一区二区在线/日产精品久久久| 亚洲国产精品成人va在线观看| 亚洲av电影网站| 无码色色色| 亚洲成人在线播放| 中文字幕丰满孑伦无码专区 | 丁香五月天堂网| 五月婷婷综合激情网| 丁香五月色| 日日夜夜小色哥| 精品九九网| 色五月在线观看| 五月天快乐开心激情网| 亞洲自怕| 伊人久久婷| 日韩黄黄| 久久狠婷婷| 天天插天天爽| 婷婷五月天免费视频在线观看| 五月婷婷|欧美| 亚洲人妻av| 吉澤明步Av一區二區| 碰碰91| 色色色香蕉五月婷| 久综合| 丁香五月激情月| 九月丁香八月婷婷久久综合久97| 99这里只有| 狠狠色丁香| 五月激情六月婷婷| 婷婷丁香五月天综合AV| 91综合在线观看| 亚洲无码色| 六月丁香六月婷婷欧美| 精品人妻伦| 密臀av无码人妻精品| 任我肏| 婷婷九月激情网| 久久在线视频免费观看| 狠狠高潮精品亚洲1| 性爱网久久| 丁香五月很很肏| 丁香九月激情| 天天五月天综合网址| 丁香五月天激情五月天激情五月天激情网| 五月天社区婷婷| 综合色播| 干一干xxxx| 99性爱精品| 思思久久99热| 婷婷五月激情的图片| 无码人妻精品一区二区蜜桃色欲| 91视频精品99| 久久只有18视频| 爱的综合网| www.久久| 五月综合激情| 99色免费在线观看| 国产精品A成V人在线播放| 久久久久久激情| 免费在线观看欧美激情xx小视频| 极品 少妇 内射| 婷婷五月小说色综合| 日本久久99久久| 91丁香色五月| www.色多多婷| 国产69精品久久久久999小说| www.日日夜夜.com| 伊人www22综合色| 婷婷五月天电影网| 丁香六月婷婷综合在线| 五月天婷五月天综合网在线观| 人妻人人操| 欧美三级欧美一级| 色婷婷9| 五月激情久久| 丁香六月综合| 中文字幕在线免费看线人| 99在线精品视频| 亚洲激情四射| 九九激情网| 六月激情婷婷| 丝袜大香蕉| 91色综合| 99热婷婷| 五月丁香久人妻中文| 思思精品热在线| 丁香五月亚洲综合| 色婷婷五月综合网| 激情综合五月激情| www。88热在线视频免费观看| 色五月婷婷中文字幕在线观看| 丁香五月另类色婷婷麻豆| www.五月天色色.com| 91婷婷色| 色婷婷激情五月天| 深爱激情丁香五月| 性日本精品| 很很干天天干| 婷婷欧美| 婷婷色网站| 9久热在线视频精品| 人妻综合网| 色播播五月天| 伊人在线视频| 影音先锋男人AV资源站| 丁香久久九九99| 婷婷少妇激情| 9.1综合网| 深爱网深爱综合网| 色五月色五天色情网| 五月丁香在线看| 天天色,天天日,天天做| 久久这里有精品| 91人人操人人| 大香蕉九九| www.玖玖九| 九色PORNY在线精品酒店| 久久精品五月| 丁香五月天堂| 婷婷色日本| 狠狠干在线| 色色激情五月天| 国产亚洲精品久久久久久郑州| 日韩黄在免| 91xxxx九色| 五月天激情综合网俺也去| 五月丁香少妇网| 五月婷婷综合在线视频小说| 五月天丁香| 九九免费视频| 色欧美一级| 色色色婷婷| 凹凸7777操操操| 综合五月激情网| 五月 成人 婷婷| 国产精品a无线| 日本三级色| 99久久精彩视频。| 99热99干| 久久精品这里只有精品免费首页| 伊人网色婷婷五月天| 国产精品日日躁夜夜躁| 99热日本| 五月丁香啪综合| 乱精品一区字幕二区| 超碰99热精品在线| www色婷婷| 激情五月天色婷婷| 日本丁香五月| 婷婷五月乱交换| 激情六月下句是什么| 99免费热视频在线| 亚洲成人免费在线| 超碰不卡在线| 色噜综| 婷婷激情六月| 99ri视频在线播放| 色五月av伊人| 欧美婷婷日本| 字母不卡码人逼| 久久五月天婷婷| 日日做夜夜爱| 色色综合网站| 久久在线大香蕉| 我要色综合五月婷婷| 91九色精品女同系列| 国产亚洲精品久久久久久久久动漫 | 婷婷五月天影院| 日本五月婷婷| www.婷婷| 欧美久久网| 99热精品6| 色综合99| 成人精品在线观看| 欧美日韩成人在线观看| H亚洲| 天天模,夜夜模夜夜爽| 中文字幕在线日亚州9| 色九四色| 久久久久亚洲A∨成人乱码电影| 天天干天天干天天| 色五月在线综合| 五月婷婷五月天天| 97久久精品| 激情丁香五月婷婷啪啪| 天天射影院| 婷婷色播色五月五色五月天色妇| 天天综合五月| 丁香视频| 99爱免费在线视频| 国产精品久久久久久久久久| 五月天激情影院| 91碰超| 日本九九网| 国产精品久久久海的味道| 超碰妻人人| 激情色情五月天| 日日干四虎| 婷婷丁香社区网| 可以免费观看的AV| 996热| 9久热| 久久激情综合| 色爱综合网| 成人免费在线电影| 激情六月天婷婷| 男人的天堂五月丁香| 99无码视频| 97操女视频| 五月丁香六月激情欧美综合| 婷婷天堂综合网| 婷婷丁香五月在线播放| 亚洲色区17| 五月天播播综合| 91超级碰碰碰| 丁香五月激情宗合| 九九热在线视频| 深爱激情网婷婷| 狠狠干综合| 婷婷五月天综合蜜桃| 大香蕉在九| 激情五月深爱婷婷| 99ri网站在线观看| 丁香婷婷成人网| av最新在线| 九九香蕉网| 激情五月图| 五月Huangsewang| 五月丁香激情在线| 婷婷五月a| 亚洲人人操| 人妻九九九九| 五月丁香综合| 五月婷AV| 精品久热69| 色播五月网| 丁香激情六月天婷婷| 亚洲成av人影院| 国产,欧美,日韩,性爱| 九九热91| 婷婷五月色播| 五月天激情小说婷婷基地| 色色色9 9 9| 色999五月色| 色五月开心婷婷| 精品一二三区久久AAA片| 五月丁香婷婷三级| 五月丁香激情综合啪啪| 久久婷婷五月天| 99色热视频| 欧美丁香五月| 99热这里是精品| 九九免费视频| 久久婷五月婷| 夜色五月天| 人人爽欧美婷婷久久久五月丁香| 久久 中文 日本| 九色PORNY自拍成人精彩视频| 国产伊人五月天| 久久精品国产AV一区二区三区 | 九热av| 激情五月天电影| 亚洲婷婷成人五月天| 九九热10| 婷婷五月性感| 成人在线精品| 欧美综合激情五月天| 丁香五月欧美激情| 又大又粗九一在线| 日韩九区| www天天爽| 99人妻碰碰碰久久久久禁片| 在线看AV| 五月婷婷六月激情| 夜夜爽天天爽| 婷婷激情六月中文| 99热日韩| 午夜不卡久久精品无码免费| 精品99在线| 天天爽天天摸| 99re熱| 91人人人人人人人| 99re在线观看| 色色狼人综合| 五月丁香六月婷婷综合网缴情| 涩丁香91| 79精品视频在线观看,| 五月天成人小说| 天天日日天天| 五月婷啪| 一本九九色| 欧美槡BBBB槡BBB少妇| 九九黄色网| 激情五月天com| 日韩久久这里只有精品| 99re思思热在线视频| 色婷婷激情四射视频| 久草婷妨| 99这里只有精品国产| 狠狠色综合无线观看| 激情五月丁香五月| 成人av中文字幕| 狠狠狠色激情综合适合| 99热在线观看这里只有精品| 深爱丁香网| 黄色AAAA韩国guochansanji| 五月色婷婷综合| 久久婷婷五月综合色播| 99啪啪网| 91刘玥视频在线观看| 婷婷五月天性色| 婷婷亚洲综合| 无码髙清| 人妻啪啪啪| 天天色综网| 亚洲激情免费视频观看| 丁香五月激情视频| 亭亭五月激情亚洲在线| 99综合婷婷五月| 九九国产视频| 99热国内精品| 六月激情婷婷综合| 婷婷久久影院| 操逼巨乳91| 激情人妻综合| 日韩黄色网络| 殴美激情综合网| 精品久9| 91呦呦呦| 色噜婷婷| 婷婷丁香黄色| 日笨久久网| 成人AV网站在线| 亚洲永远av在线播放| 日韩国产在线精品| 中文激情网| 少妇大叫太大太粗太爽了A片| 婷婷五月色播| www.色婷婷| 极品人妻VIDEOSSS人妻| 亚洲欧美日韩VIP| 99se丁香| 久热99中文字幕| 大香人妻| AV动漫不卡无码免费| 色九月婷婷综合| 99re66热这里只有精品| 丁香五月天激情婷婷丁香六月| 伊人青草成人| 开心五月婷婷在线| 色婷婷五月亚洲| 99爱免费在线视频| 婷婷五月天激情基地| 六月丁香婷婷网| 欧美激情-区二区三区| 丁香五月在线| 91操网| 久久人人看| 天天草女人| 欧美啪啪网| 99热自拍| 99久久久免费| 99热日本| 天天摸天天舔| 五月婷婷综合网| 色婷视频| 亚洲日韩成人三级av| 亚洲精品久久久久久久久久飞鱼| 色久影院| 激情丁香五月婷婷| 97亚洲精品| 婷婷五月天a| www。久久久久一b。Cc| 全网最新网黄大秀直播高清,主播国产录屏在线| 在线观看欧美| 97超碰99热99| 日韩操逼小电影| 五月丁香六月激情网站| 台湾综合丁香五月蜜桃| 五月激情小说网| 九九aV| 婷婷色网站| 青青草Avb在线| 国产成人99久久亚洲综合精品| 五月伊人91| 色婷婷综合五月| 丰满少妇猛烈A片免费看观看| 激情五月丁香综合蜜桃| 久99视频| 亚洲天堂AV免费片| AV九九| 亚洲色婷婷99一9|| 国产成人精品一区二三区熟女在线| 夜夜爽天天| 大香蕉久久| 99在线观看免费精品视频| 九九热在线视频观看| 色婷婷激情| 99色天堂| 欧美婷婷六月丁香综合色| 色五月av| 激情的五月婷婷蜜桃| 国产人妻777人伦精品HD| 千人斩操逼| 91蝌蚪窝视频在线| 色色色色网色色网色色| 99re视频在线精品| 五月花综合视频| 婷婷五月天毛片| 色久女| 爱射综合| 中字幕视频在线永久在线观看免费 | 大鸡巴伊人网| 日本天堂免费99| 丁香五月亚洲AV| 欧美va视频不用播放器的va视频网| 熟女人妻视频| 狠狠草综合网| 色婷婷先锋| 九九碰九九爱97超碰| www,色中色| www.久9| 天天射综合网站| 99这里只有免费的精品| 婷婷色色网站| 天天干 夜夜爽| 8区视频在线| 丁香五月婷久久| 五月丁香啪啪拍| 精品自拍97| 国产成人亚洲综合A∨婷婷| 丁香六月啪| 国产毛片精品一区二区色欲黄A片| 天天日天天做天天操| 99色免费| 亚洲综合婷婷| 国产精品久久99| 日韩AC在线免费观看| 五月香婷婷| av 一区三区四区|