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。

垃圾分類圖像分類實戰(zhàn):從數(shù)據(jù)集構(gòu)建到PyTorch基線模型

垃圾分類圖像分類實戰(zhàn):從數(shù)據(jù)集構(gòu)建到PyTorch基線模型 簡介這份深度學(xué)習(xí)圖像分類數(shù)據(jù)集面向從事計算機(jī)視覺入門與垃圾分類識別實踐的開發(fā)者、學(xué)生及算法愛好者圍繞塑料瓶、玻璃瓶、金屬瓶等可回收物類別構(gòu)建可直接用于訓(xùn)練與評估卷積神經(jīng)網(wǎng)絡(luò)分類模型也可作為課程設(shè)計、畢業(yè)項目或算法對比實驗的數(shù)據(jù)基礎(chǔ)。資源包共約2000個文件以1998張jpg圖像為主體另附1個py腳本與1個json類別文件壓縮包大小約39.65MB圖像按類別目錄分門別類存放便于直接接入ImageFolder等標(biāo)準(zhǔn)加載方式。數(shù)據(jù)已預(yù)先劃分為訓(xùn)練集約2200張、驗證集約200張、測試集約100張省去自行切分的步驟json文件可用于核對具體類別名稱與索引映射。目前已有269人學(xué)習(xí)下載適合希望快速驗證分類網(wǎng)絡(luò)效果、練習(xí)數(shù)據(jù)增強與遷移學(xué)習(xí)流程的讀者參考使用。1. 垃圾分類圖像分類數(shù)據(jù)集從「這堆圖能不能用」到跑通第一個基線你手頭可能有一批從社區(qū)回收站、校園垃圾桶旁、或者公開渠道攢下來的瓶子與垃圾照片幾百到幾千張不等文件夾里混著塑料瓶、玻璃瓶、紙盒、果皮命名亂七八糟?,F(xiàn)在你想用深度學(xué)習(xí)做一個圖像分類模型把「可回收瓶類」「其他垃圾」這些類別自動分開。這件事的核心不是模型多深而是數(shù)據(jù)集能不能撐起訓(xùn)練——類別是否均衡、標(biāo)注是否一致、圖像質(zhì)量是否夠用。垃圾分類、瓶子垃圾圖像分類這個方向本質(zhì)是一個細(xì)粒度、強背景干擾的視覺分類任務(wù)適合剛接觸深度學(xué)習(xí)圖像分類的從業(yè)者拿來練手也適合做環(huán)保、回收分揀場景的工程團(tuán)隊做原型驗證。這一章先把「這是什么、能解決什么、適合誰」講清楚后面幾章再落到具體怎么做、參數(shù)怎么設(shè)、坑在哪。2. 垃圾分類數(shù)據(jù)集長什么樣類別體系、標(biāo)注格式與選型理由2.1 先定類別體系再談圖像數(shù)量很多人一上來就問「多少張圖夠」但更關(guān)鍵的問題是「分幾類」。垃圾分類的類別體系直接決定模型能不能落地。常見做法是兩級一級粗分可回收物、廚余垃圾、有害垃圾、其他垃圾二級細(xì)分塑料瓶、玻璃瓶、易拉罐、紙盒等。如果你只做瓶子垃圾圖像分類建議先聚焦 4 到 6 個視覺差異明顯的類比如「透明塑料瓶」「有色塑料瓶」「玻璃瓶」「易拉罐」「紙杯」「其他」。類別太少模型學(xué)不到區(qū)分度類別太多且視覺邊界模糊比如「可回收塑料」和「其他塑料」會讓標(biāo)注一致性崩掉。我一般會先畫一張類別定義表把每個類別的判定標(biāo)準(zhǔn)寫清楚比如「透明塑料瓶瓶身透光、無標(biāo)簽或標(biāo)簽面積小于 30%」。這張表不是給模型看的是給標(biāo)注的人看的。沒有這張表后面標(biāo)注出來的數(shù)據(jù)大概率是玄學(xué)。類別名判定要點易混淆項建議最少樣本數(shù)透明塑料瓶瓶身透光標(biāo)簽面積小玻璃瓶、有色塑料瓶300有色塑料瓶瓶身有顏色不透光透明塑料瓶300玻璃瓶材質(zhì)反光瓶壁厚透明塑料瓶250易拉罐金屬反光圓柱形紙杯250紙杯/紙盒紙質(zhì)紋理無金屬反光易拉罐200其他垃圾不屬于以上類別全部200這張表里的「建議最少樣本數(shù)」不是硬性標(biāo)準(zhǔn)而是經(jīng)驗下限。如果某個類少于 200 張模型大概率會在這個類上翻車。類別不均衡時優(yōu)先補少樣本類而不是繼續(xù)堆多樣本類。2.2 標(biāo)注格式文件夾分類 vs CSV 清單圖像分類最省事的標(biāo)注方式就是按文件夾分。每個類別一個文件夾文件夾名就是類別名圖片直接放進(jìn)去。這種格式幾乎所有訓(xùn)練框架都認(rèn)比如torchvision.datasets.ImageFolder、tensorflow.keras.preprocessing.image_dataset_from_directory。另一種是 CSV 清單兩列filename,label。CSV 的好處是靈活可以隨時改標(biāo)簽、做交叉驗證劃分也方便記錄來源和備注。我一般會同時保留兩份原始文件夾結(jié)構(gòu)用于快速預(yù)覽CSV 用于訓(xùn)練腳本讀取。下面是一個把文件夾結(jié)構(gòu)轉(zhuǎn)成 CSV 的腳本順便做一次基礎(chǔ)校驗。import os import csv from pathlib import Path # 數(shù)據(jù)集根目錄下面每個子文件夾是一個類別 data_root Path(dataset/garbage_cls) # 輸出 CSV 路徑 csv_path Path(dataset/train_labels.csv) # 允許的圖片后綴避免把 .DS_Store 之類的文件讀進(jìn)來 valid_ext {.jpg, .jpeg, .png, .bmp, .webp} rows [] class_names sorted([d.name for d in data_root.iterdir() if d.is_dir()]) print(類別列表:, class_names) for cls_name in class_names: cls_dir data_root / cls_name for img_path in cls_dir.iterdir(): if img_path.suffix.lower() not in valid_ext: continue # 相對路徑方便后續(xù)遷移數(shù)據(jù)集位置 rel_path img_path.relative_to(data_root) rows.append({filename: str(rel_path), label: cls_name}) # 寫 CSV帶表頭 with csv_path.open(w, newline, encodingutf-8) as f: writer csv.DictWriter(f, fieldnames[filename, label]) writer.writeheader() writer.writerows(rows) print(f共寫入 {len(rows)} 條記錄到 {csv_path})這段腳本的邏輯很直白遍歷每個類別文件夾過濾掉非圖片文件把相對路徑和類別名寫成 CSV。參數(shù)上data_root指向你的數(shù)據(jù)集根目錄csv_path是輸出位置。跑完之后你可以用pandas讀一下檢查每個類別的數(shù)量是否均衡。import pandas as pd df pd.read_csv(dataset/train_labels.csv) print(df[label].value_counts())如果某個類別的數(shù)量明顯偏少比如只有 80 張而其他類有 500 張那就需要先處理不均衡問題而不是直接開訓(xùn)。常見做法是數(shù)據(jù)增強、重采樣、或者用類別權(quán)重。這個后面在訓(xùn)練章節(jié)會展開。2.3 圖像質(zhì)量與背景干擾垃圾分類數(shù)據(jù)集的天然難點垃圾分類圖像和 ImageNet 那種干凈數(shù)據(jù)集不一樣。你的圖片可能來自手機(jī)拍攝背景里有地面、手、其他垃圾、光照變化。瓶子類還有反光、透明、形變的問題。透明塑料瓶和玻璃瓶在視覺上非常接近模型很容易把兩者搞混。這不是模型不行是數(shù)據(jù)本身就有歧義。我一般會做三件事第一人工抽檢 100 張看看有沒有明顯標(biāo)錯的第二統(tǒng)計圖像尺寸分布太小的圖比如小于 100x100直接剔除第三對透明瓶和玻璃瓶這類易混類別額外補充側(cè)光、逆光、不同角度的樣本。如果條件允許用albumentations做在線增強時對這兩類加更強的顏色抖動和隨機(jī)裁剪讓模型學(xué)到材質(zhì)差異而不是背景捷徑。提示不要用「瓶子」和「垃圾」這種粗標(biāo)簽直接訓(xùn)。粗標(biāo)簽會讓模型學(xué)到「有瓶子就是可回收」這種捷徑換個場景就廢了。3. 用 PyTorch 跑通瓶子垃圾圖像分類基線從 DataLoader 到第一個 epoch3.1 環(huán)境準(zhǔn)備與最小依賴深度學(xué)習(xí)環(huán)境這件事新手最容易卡在版本沖突上。我一般用 conda 建一個干凈環(huán)境只裝必要的東西。下面這套是 CPU 和單卡 GPU 都能跑的配置不追求最新追求能復(fù)現(xiàn)。conda create -n garbage_cls python3.10 -y conda activate garbage_cls pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install pandas pillow scikit-learn matplotlib tqdm如果你沒有 GPU把cu118換成cpu即可。裝完之后用下面這行驗證import torch print(torch.__version__, torch.cuda.is_available())torch.cuda.is_available()返回True說明 GPU 可用。返回False也不影響跑基線只是慢一點。3.2 構(gòu)建 Dataset 和 DataLoaderPyTorch 里最穩(wěn)的做法是繼承torch.utils.data.Dataset自己寫__getitem__。這樣你能完全控制讀取邏輯也方便后面加增強。import torch from torch.utils.data import Dataset, DataLoader from PIL import Image from torchvision import transforms import pandas as pd from pathlib import Path class GarbageDataset(Dataset): def __init__(self, csv_file, img_root, transformNone): self.df pd.read_csv(csv_file) self.img_root Path(img_root) self.transform transform # 類別到索引的映射排序保證可復(fù)現(xiàn) self.classes sorted(self.df[label].unique()) self.class_to_idx {c: i for i, c in enumerate(self.classes)} def __len__(self): return len(self.df) def __getitem__(self, idx): row self.df.iloc[idx] img_path self.img_root / row[filename] # 統(tǒng)一轉(zhuǎn) RGB防止灰度圖或 RGBA 圖導(dǎo)致通道數(shù)不一致 image Image.open(img_path).convert(RGB) label self.class_to_idx[row[label]] if self.transform: image self.transform(image) return image, label # 訓(xùn)練增強隨機(jī)裁剪、翻轉(zhuǎn)、顏色抖動 train_tf transforms.Compose([ transforms.Resize((256, 256)), transforms.RandomResizedCrop(224, scale(0.7, 1.0)), transforms.RandomHorizontalFlip(), transforms.ColorJitter(brightness0.3, contrast0.3, saturation0.3), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) # 驗證集只做 resize 和歸一化不做隨機(jī)增強 val_tf transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) train_ds GarbageDataset(dataset/train_labels.csv, dataset/garbage_cls, train_tf) val_ds GarbageDataset(dataset/val_labels.csv, dataset/garbage_cls, val_tf) train_loader DataLoader(train_ds, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_ds, batch_size32, shuffleFalse, num_workers4)這里有幾個參數(shù)值得說清楚。batch_size32是單卡 8G 顯存下的穩(wěn)妥值顯存不夠就降到 16 或 8。num_workers4在 Windows 上有時會出問題如果報錯就改成 0。Normalize用的均值和方差是 ImageNet 的統(tǒng)計值因為后面要用預(yù)訓(xùn)練模型保持一致最省事。RandomResizedCrop的scale(0.7, 1.0)表示隨機(jī)裁取原圖 70% 到 100% 的區(qū)域?qū)ζ孔舆@種主體居中的圖比較合適裁太狠會把瓶身切掉。3.3 選一個 backboneResNet18 還是更小的模型垃圾分類數(shù)據(jù)集通常不大幾千到幾萬張。這種規(guī)模下ResNet18 或 EfficientNet-B0 是性價比最高的選擇。ResNet18 參數(shù)量約 1100 萬ImageNet 預(yù)訓(xùn)練權(quán)重容易拿訓(xùn)練穩(wěn)定。EfficientNet-B0 更小但輸入分辨率要求 224 以上對透明瓶的細(xì)節(jié)可能更友好。我一般先用 ResNet18 跑基線如果準(zhǔn)確率卡在某個值上不去再換 backbone 對比。import torch.nn as nn from torchvision import models def build_model(num_classes, backboneresnet18, pretrainedTrue): if backbone resnet18: model models.resnet18(weightsmodels.ResNet18_Weights.DEFAULT if pretrained else None) # 替換最后的全連接層輸出類別數(shù) model.fc nn.Linear(model.fc.in_features, num_classes) elif backbone efficientnet_b0: model models.efficientnet_b0(weightsmodels.EfficientNet_B0_Weights.DEFAULT if pretrained else None) model.classifier[1] nn.Linear(model.classifier[1].in_features, num_classes) else: raise ValueError(f不支持的 backbone: {backbone}) return model num_classes len(train_ds.classes) model build_model(num_classes, backboneresnet18, pretrainedTrue) device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) print(f類別數(shù): {num_classes}, 設(shè)備: {device})pretrainedTrue會加載 ImageNet 權(quán)重這對小數(shù)據(jù)集非常關(guān)鍵。從頭訓(xùn) ResNet18 在幾千張圖上大概率過擬合。替換fc層之后只有最后一層是隨機(jī)初始化的前面都是預(yù)訓(xùn)練特征。3.4 訓(xùn)練循環(huán)與關(guān)鍵參數(shù)訓(xùn)練循環(huán)本身不復(fù)雜但有幾個參數(shù)決定你能不能跑出結(jié)果。優(yōu)化器用AdamW學(xué)習(xí)率1e-3對預(yù)訓(xùn)練模型微調(diào)偏大我一般用3e-4或1e-4。損失函數(shù)用CrossEntropyLoss如果類別不均衡加weight參數(shù)。import torch.optim as optim from tqdm import tqdm criterion nn.CrossEntropyLoss() optimizer optim.AdamW(model.parameters(), lr3e-4, weight_decay1e-4) scheduler optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max20) def train_one_epoch(model, loader, criterion, optimizer, device): model.train() total_loss, correct, total 0.0, 0, 0 for images, labels in tqdm(loader, desctrain): 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) preds outputs.argmax(dim1) correct (preds labels).sum().item() total labels.size(0) return total_loss / total, correct / total torch.no_grad() def evaluate(model, loader, criterion, device): model.eval() total_loss, correct, total 0.0, 0, 0 for images, labels in tqdm(loader, descval): images, labels images.to(device), labels.to(device) outputs model(images) loss criterion(outputs, labels) total_loss loss.item() * images.size(0) preds outputs.argmax(dim1) correct (preds labels).sum().item() total labels.size(0) return total_loss / total, correct / total best_acc 0.0 for epoch in range(20): train_loss, train_acc train_one_epoch(model, train_loader, criterion, optimizer, device) val_loss, val_acc evaluate(model, val_loader, criterion, device) scheduler.step() print(fepoch {epoch1}: train_loss{train_loss:.4f} train_acc{train_acc:.4f} fval_loss{val_loss:.4f} val_acc{val_acc:.4f}) if val_acc best_acc: best_acc val_acc torch.save(model.state_dict(), best_garbage_cls.pth) print(f保存最佳模型val_acc{best_acc:.4f})CosineAnnealingLR的T_max20表示 20 個 epoch 內(nèi)學(xué)習(xí)率按余弦曲線降到接近 0。如果你只跑 10 個 epoch就把T_max改成 10。weight_decay1e-4是 AdamW 的常規(guī)值能壓一點過擬合。保存模型時只存state_dict不存整個模型對象這樣加載時更靈活。跑完 20 個 epoch如果驗證集準(zhǔn)確率能到 85% 以上說明數(shù)據(jù)集和基線是通的。如果卡在 60% 左右大概率是類別混淆或標(biāo)注問題不是模型問題。4. 垃圾分類圖像分類的避坑與排查標(biāo)注、不均衡、過擬合、透明瓶混淆4.1 標(biāo)注不一致同一個瓶子被標(biāo)成兩個類現(xiàn)象訓(xùn)練 loss 震蕩驗證準(zhǔn)確率上不去混淆矩陣?yán)锬硟蓚€類互相錯得特別多。原因標(biāo)注時沒有統(tǒng)一標(biāo)準(zhǔn)比如有人把「透明塑料瓶」標(biāo)成「玻璃瓶」有人反過來。解決先抽 200 張做一致性檢查讓兩個人獨立標(biāo)同一批圖算一下一致率。低于 90% 就重新定標(biāo)準(zhǔn)把易混類別的判定規(guī)則寫得更細(xì)比如「瓶底有厚玻璃紋路算玻璃瓶瓶身有塑料接縫算塑料瓶」。4.2 類別不均衡少樣本類被模型忽略現(xiàn)象總體準(zhǔn)確率看著還行但少樣本類的召回率極低模型幾乎全預(yù)測成多樣本類。原因CrossEntropyLoss默認(rèn)每個樣本權(quán)重一樣多樣本類主導(dǎo)梯度。解決給CrossEntropyLoss加weight權(quán)重和類別頻率成反比?;蛘哂弥夭蓸幼屆總€ batch 里少樣本類被抽到的概率更高。import numpy as np class_counts train_ds.df[label].value_counts().sort_index().values class_weights 1.0 / class_counts class_weights class_weights / class_weights.sum() * len(class_counts) class_weights torch.tensor(class_weights, dtypetorch.float32).to(device) criterion nn.CrossEntropyLoss(weightclass_weights) print(類別權(quán)重:, class_weights)這段代碼先統(tǒng)計每個類的樣本數(shù)取倒數(shù)再歸一化到均值為 1 左右。weight傳給損失函數(shù)后少樣本類的 loss 會被放大梯度更新時更受重視。4.3 過擬合訓(xùn)練準(zhǔn)確率 99%驗證準(zhǔn)確率 70%現(xiàn)象訓(xùn)練集準(zhǔn)確率一路漲到 99%驗證集卡在 70% 不動甚至下降。原因數(shù)據(jù)集太小、模型太大、增強不夠。解決先加數(shù)據(jù)增強RandomResizedCrop、ColorJitter、RandomRotation都可以上。再加DropoutResNet18 的fc前面可以插一個nn.Dropout(0.5)。最后考慮凍結(jié)前面層只訓(xùn)fc或者用更小的學(xué)習(xí)率。4.4 透明瓶與玻璃瓶混淆模型學(xué)的是背景不是材質(zhì)現(xiàn)象混淆矩陣?yán)锿该魉芰掀亢筒A炕ハ噱e得最多但人眼看這兩類差異明顯。原因模型可能學(xué)到了背景捷徑比如透明瓶常出現(xiàn)在某類背景上玻璃瓶在另一類背景上。解決把背景裁掉或者用分割模型先摳出瓶身再分類。更簡單的做法是加隨機(jī)背景替換增強把瓶子貼到不同背景上逼模型看瓶身。4.5 圖像尺寸和通道不一致導(dǎo)致訓(xùn)練中斷現(xiàn)象訓(xùn)練到一半報錯提示 tensor 尺寸不匹配或通道數(shù)不對。原因數(shù)據(jù)集里混了灰度圖、RGBA 圖、尺寸差異極大的圖。解決在__getitem__里統(tǒng)一convert(RGB)在transform里統(tǒng)一Resize。如果還有問題寫個腳本掃一遍所有圖片把打不開的、尺寸小于 50x50 的直接列出來剔除。from PIL import Image from pathlib import Path bad_files [] for img_path in Path(dataset/garbage_cls).rglob(*): if img_path.suffix.lower() not in {.jpg, .jpeg, .png, .bmp, .webp}: continue try: with Image.open(img_path) as im: w, h im.size if w 50 or h 50: bad_files.append((str(img_path), too_small, w, h)) except Exception as e: bad_files.append((str(img_path), unreadable, str(e))) for item in bad_files: print(item) print(f共發(fā)現(xiàn) {len(bad_files)} 個問題文件)這個腳本會列出所有打不開或太小的圖片。跑一遍把問題文件處理掉能省掉很多訓(xùn)練中途報錯的麻煩。5. 把基線推到可用混淆矩陣診斷、難例挖掘與一個提點技巧5.1 用混淆矩陣定位問題類別準(zhǔn)確率只是一個數(shù)字真正有用的是混淆矩陣。下面這段代碼在驗證集上跑一遍畫出每個類別的錯分情況。from sklearn.metrics import confusion_matrix, classification_report import numpy as np torch.no_grad() def get_all_preds(model, loader, device): model.eval() all_preds, all_labels [], [] for images, labels in loader: images images.to(device) outputs model(images) preds outputs.argmax(dim1).cpu().numpy() all_preds.extend(preds) all_labels.extend(labels.numpy()) return np.array(all_labels), np.array(all_preds) labels, preds get_all_preds(model, val_loader, device) cm confusion_matrix(labels, preds) print(混淆矩陣:) print(cm) print(classification_report(labels, preds, target_namesval_ds.classes))classification_report會給出每個類的 precision、recall、f1-score。如果某個類的 recall 特別低說明這個類被大量錯分。結(jié)合混淆矩陣你能看出它主要被錯分成了哪個類。比如透明塑料瓶的 recall 只有 0.6且大部分錯分到玻璃瓶那就針對這兩類做難例挖掘。5.2 難例挖掘把錯分樣本挑出來單獨看難例挖掘的思路很簡單用當(dāng)前模型跑一遍訓(xùn)練集把預(yù)測錯誤的樣本挑出來人工看一遍確認(rèn)是標(biāo)注問題還是模型問題。如果是標(biāo)注問題修正標(biāo)簽如果是模型問題把這些難例復(fù)制幾份加入訓(xùn)練集或者對這些類做更強的增強。torch.no_grad() def find_hard_examples(model, dataset, device, top_k50): model.eval() hard [] for idx in range(len(dataset)): image, label dataset[idx] # dataset 返回的是增強后的圖這里為了診斷用原始圖更合適 # 簡化處理直接用增強后的圖推理 input_tensor image.unsqueeze(0).to(device) output model(input_tensor) pred output.argmax(dim1).item() if pred ! label: hard.append((idx, label, pred)) return hard[:top_k] hard_examples find_hard_examples(model, val_ds, device, top_k30) for idx, true_label, pred_label in hard_examples: print(fidx{idx} 真實{val_ds.classes[true_label]} 預(yù)測{val_ds.classes[pred_label]})這段代碼會列出驗證集里被錯分的樣本索引和類別。你可以根據(jù)索引找到原圖看看是標(biāo)注錯了還是模型確實分不出來。如果是標(biāo)注錯了改標(biāo)簽如果是模型問題把這些圖加入訓(xùn)練集或者對這類圖做針對性增強。5.3 一個提點技巧兩階段訓(xùn)練與標(biāo)簽平滑如果基線準(zhǔn)確率卡在 85% 左右上不去可以試兩階段訓(xùn)練。第一階段凍結(jié) backbone只訓(xùn)分類頭學(xué)習(xí)率設(shè)1e-3跑 5 個 epoch。第二階段解凍全部層學(xué)習(xí)率降到1e-4跑 15 個 epoch。這樣能讓分類頭先適應(yīng)數(shù)據(jù)分布再微調(diào)整個網(wǎng)絡(luò)比一上來就全量微調(diào)更穩(wěn)。另外標(biāo)簽平滑label smoothing對垃圾分類這種有歧義的類別很有效。CrossEntropyLoss(label_smoothing0.1)會讓模型不要把概率壓到 1.0對易混類別更寬容。我一般會在第二階段加上通常能提 1 到 2 個點。# 第二階段解凍全部層小學(xué)習(xí)率微調(diào) for param in model.parameters(): param.requires_grad True optimizer optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-4) criterion nn.CrossEntropyLoss(label_smoothing0.1) scheduler optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max15) for epoch in range(15): train_loss, train_acc train_one_epoch(model, train_loader, criterion, optimizer, device) val_loss, val_acc evaluate(model, val_loader, criterion, device) scheduler.step() print(fstage2 epoch {epoch1}: val_acc{val_acc:.4f})標(biāo)簽平滑的0.1是經(jīng)驗值太大比如 0.3會讓模型欠擬合太小比如 0.01效果不明顯。兩階段訓(xùn)練的關(guān)鍵是第二階段學(xué)習(xí)率一定要小否則會破壞預(yù)訓(xùn)練特征。我自己的習(xí)慣是每次跑完基線先看混淆矩陣再決定是補數(shù)據(jù)、改標(biāo)注還是調(diào)模型。數(shù)據(jù)集的問題永遠(yuǎn)比模型多。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
天天干电影| 天天干天天操天天爽| 日韩AV在线免费观看| av在线资源| 成人精品在线| 我去色色网五雨天| 精品色色色| 精品一区久热| 日本99热| 五月婷丁香| 午夜婷婷五月天在线| 欧美伊人9| 777精品久无码人妻蜜桃| www夜夜| 91丨九色丨熟女高潮| 国产乱子轮XXX农村| 婷婷五月色情天| 人人澡天天色天天做| 久热天堂| 国产毛片操B| 日日噜噜夜夜狠狠久久丁香六月| 日韩AV大全| 99区视频| 99久热这里有精品| 亚洲 25P| 人人人操Av| 五月天婷婷AV| 婷久久综合| 亚洲操操操| 综合狠狠干| 麻豆五月丁香婷婷| oVV4WIB3vFi8D| 成人五月天丁香婷| 欧美25p| 亚洲综合网激情五月天| 久久只有精| 超碰成人AV| 伊人婷婷99热精品| 九九九九九九热| 大香蕉综合| 亚洲第一黄网| 婷婷色色五月| 99性爱视频| 九九热啪啪| 色婷婷视频在线| 激情丁香五月激情婷婷| 99热这里只有精品 搜| 色噜噜狠狠色综合AV兰草影视| 色综合久久88| 激情综合网五月| 久九九热| 99久久久免费| 色五月天.con| 99re这里只有精品视频6| 99操久久| 丁香五月综合高清在线| 亚洲无码成人网| 激情综合啪啪| 天天色一道本综合婷婷| 狠狠色综合777| 日日操夜夜操狠狠操| 九九热99视频| 夜夜操夜夜爽| 99在线视频在线观看| 亚洲五月丁香综合网| www.色婷婷| 9色在线视频| 精品人妻在线| 99综合色色色| 色色色色色色综合| 开心激情网五月天| 久久久久久9| 色五月婷婷五月天| 婷婷五月婷婷| 丁香婷婷五月香蕉91| 欧美综合激情| 中文字幕成人影视| 婷婷丁香69精华| 亚洲国产精品五月天| 99热综合在线| 久久中文人妻系列| 狠狠操狠狠做| 亚洲无码成人| 欧美顶级少妇做爰HD| 国产做爰视频免费播放| 色情五月| 99热乎| 人妻系列久久久久久久久久久 | 日本免费91| 91高潮喷水久久久久久久久| 日日干天天射| 天天夜天天色天天| 97碰碰在线看视频免费| 大香蕉啪啪啪| 亚洲99热| 精品久久9| 五月婷婷大香蕉| 婷婷五月天激情四射五月天激情| 日本操逼九九九九58日本操逼| 五月六月丁香激情| 91碰碰碰| 天天色99| 99热日本| 色婷网| 亚洲色色色| 国产AV影片| 免费99色| 天天爽,天天操。| 五月丁香啪啪啪啪| 色色狼人综合| 深夜婷婷 丁香| 岛国午夜视频| 美妞av| 五月天久久丁香| 99国产精品久久久久久久久久久 | 亚洲成av人影院| 亚洲黄网在线| 狠狠艹狠狠艹| 色九亚洲| 人操91在线| 男人天堂99| 丁香五月aV| 婷婷五月色天| 婷婷久综合| 婷婷丁香激情综合色情| 色色网五月激情| 午夜色婷婷| 婷婷97色| 丁香五月婷婷久久久| 国产精品色婷婷AV综合色色| 日本天天操| 久久精品天| 性色人人爽| 婷婷开心激情五月激情网| 日本在线视频播放91| 免费观看全黄做爰的视频| 久久婷婷六月综合综合| 天天干com| 99精品在线观看| 色综合综合综合| 婷婷综合偷拍| 99色最新在线视频网站| 国产乱妇无乱码大黄AA片| 久久大香蕉视频| 欧美噜一噜| 久久色区| 久久婷婷成人| 激情五月久久| .肏屄视频一区二区| 再綫Av免费視品| 婷婷成人五月天成人文学| 丁香五月五月婷婷欧美大香蕉| 99九九99九九九视频精彩| 五月婷婷无码专区| 99成人在线观看| 日韩成人电泉AV| 思思久久精品视频| 成人日韩欧美| 婷婷欧美色| 伊人狠狠丁香婷婷综合尤物| 欧美性猛交99久久久99| 五月婷婷亚洲| Av九九| 狠狠穞A片一區二區三區| www.色婷婷.com| 丁香五月婷婷色情综合| 婷婷伊人网| 久久狠婷婷| 色婷婷裸体色性在线| 亚洲精品久久久无码| 亚洲1区| 狠狠99| 婷婷五月娱乐在线| 天天日天天草| 日本久久人| 操射国产日本| 99热第一页| 九九热国产| 嫩草极品| 成人五月天视频播放| 日本久久久97| 国产精品A片| 国产成人av在线播放| 日韩艹比| 激情丁香五月婷婷啪啪| 欧在线一区| 婷婷五月天激情在线| 激情六月婷婷啪啪| 99热这里只有精品青草| 婷婷五月,偷窥偷拍网| 人人干人人操人人摸| 夜夜操加勒比| 开心激情网在线| 九热av| 人妻久久久久久久久久久| 婷婷视频在线| 激情九九六月激情免费视频| 思思久久精品| 黄网在线免费观看| 色婷婷小说| 六月伊人婷婷| 99ri国产精品| 五月天大香蕉| 五月丁香六月婷婷亚洲激情综合| 操逼视频网址| 亚洲av成人在线| 99爱99操| 欧美成人精品A片免费一区99| 婷婷成人网五月天| 99久久97| a在线观看| 婷婷色网| 啪啪九九色| 五月丁香花视频| 久久婷婷五月天激情四射| 熟女啪啪视频| 超碰碰碰碰| 做爱夜夜干天天操| 葵花AV在线| 99精品视频在线观看| 女同激情久久av久久| 人人摸人人| 亚洲综合网激情小说| 岛国AAAV| 激情小说五月天| 五月丁色AV| 丁香六月成人| 亚洲欧洲另类| 天天做天天爱综合| 99riAV国产精品视频| www.五月天色色.com| 久久中文人妻系列| 精品综合爱| 日本五月婷| 丁香六月婷婷缴情欧美| 五月婷天堂视频| 五月婷婷香| 亚洲欧美成人在线| 色综合久久8| 青青草tp| 狠狠色综合精品视频在线| 日韩高清久久| 婷婷六月天国产综合| 五月丁香自拍| 五月天另类图片| 国产精品电影网| 婷婷色综合| 久8色色| 色色激情网| 丁香五月花影院| 久久婷婷91| 天天干夜夜b| 丁香五月综合激情啪啪| 激情婷婷。| 狠狠做深爱婷婷久久综合一区| 亚洲色小说在线综合| 久99久视频免费观看| 丁香网站| 97色婷婷| 亚洲不卡| 日本天天操| 丁香五月激情欧欧美| 狠狠情色| 亚洲av成人电影在线观看| 久色| 久久久久网站| 婷婷日欧美在线观看| 精品网站99| 黄色一级影片| 色色网91| 热久免费视频9| 久久亚洲色导航| 国产亚洲99久久| 久久色大香蕉| 丰满少妇猛烈A片免费看观看| 色停停香蕉视频| 色五月丁香六月婷婷| 美女天天艹人人爽| 91精品91久久久中77777久久玖玖九九| 中文字幕无码AV| 九九热免费视频| 99热99精品| 一本久道综合色婷婷五月| www.com在线操视频免费观看| 国产精品18久久久| 婷婷中文字幕| 超碰AV在线| 婷婷丁香亚洲五月天| 无码se| 97干在线看| 国产69久久久欧美黑人A片| 丁香色五月 97干| AV网站免费在线| 99热在这里只有精品| 日韩另类| 五月天综合在线观看视频| 播播网色播播| 伊人婷婷综合| 婷婷六月综合| 影音先锋四区| www久久久| 久9无码视频| 人妻五月天激情开心网| 欧美日韩一a.无| 丁香五月黄色| 色婷婷综合在线| 情趣视频66| 激情丁香淫荡婷婷| 天天射天天射一道本日本社区 | 欧美Va在线| 激情综合激情五月| 欧美天天干天天草| 另类小说激情五月天| 久久五月综合| 99爱视频免费| 色99日韩| 超碰人人色| 全部老头和老太XXXXX| 婷婷五月丁香五月| 亚洲av另类在线观看| 狠狠狠狠狠狠草| 婷色五月| 九九精品少妇| 丁香婷婷久久 | 久久新地址| 九九热啪啪| 五月丁香综合啪啪| 久操福利| 色噜久| 激情丁香五月天图片| 黄色91在线观看| 另类激情综合| 色色日本| 久久久久久久综合狠狠综合| 欧美婷婷五月无砖| 狠狠色婷婷六月激情网| 大香蕉精品视频| 色爱亚洲| 日日天天干| 丁香八月综合激情| 狠狠色综合网| 性爱激情久久| 色九月婷婷综合| 丁香色五月直播| 色色婷五月天| 天天做天天爱天天玩| 99er精品视频| 天天插天天射| 91九色 熟| 色私五月婷婷| 第四色婷婷色五月| 思思热精品在线| 五月婷婷黄色| 1级欧美日韩| 一级黄色操B| 色色爽爽天天| 九九久久五月天综合伊人| 日韩操逼小电影| www,欧美干干干干干干| 五月丁香激情综合六月涩涩爱| 99在线免费观看| 成人无码精品1区2区3区免费看| 日本综合久久| 开心六月婷| 亚洲无线视频| 久久这里有精品99| 天天色播| 草草操操| 日本99久久| 精品自拍97| 五月婷婷日| 99热这里只有精品9| 国产女人十八水真多1| 午夜免费试看| 亚洲操b| 激情丁香五月天| 艹色18p| 久久婷婷91| 丁香婷婷久久老熟女综合网| 五月丁香在线综合| 色色色色色色网| αV电影| 狠狠色五月激情| 人人摸人人搞| 999热视频精品99免费在线| 99九九在线| 深爱五月最新网址| a网站免费观看| 色综啪啪网| 久久色婷婷| 操操操AV| 五月天婷婷婷| 天色综合网站| 大学生高潮无套内谢视频| 婷丁香五月天| 激情色色色| 大香蕉婷婷| 黄网免费观看| 久久色亭亭五月天| 国产成人99久久亚洲综合精品| 久久婷婷五月综合啪| 玖玖婷婷色欲| 五月丁香婷中文字幕| www.夜夜操| 日本无码专区| 婷婷五月天视频小说| 伊人五月天在线| 五月五月婷婷| 五月婷婷婷| 五月天丁香婷婷视频网址| 五月婷婷开心深| 五月婷婷六月情| 婷婷综合中文字幕| WWW、日本色丁香co m| 伊人婷婷大香蕉| 9久热在线精品| 亚洲婷婷激情888精品久| 久久婷婷精品| 午夜九九电影| 激情综合网激情五月婷婷| 天天色天天色天天色天天色天天色天天色| 五月天成人综合| 99激情网| 思思热在线观看| 久久婷婷五月天懂色| 色玖玖导航| 婷婷六月综合基地| 天天插天天日| 丁香五月天日韩无码| 激情九九这里只有精品| 天堂美国久久| 天天婷婷综合亚洲亚洲| 男人視頻站| 五月 丁香 欧美| 天天干天天做| 淫水导航| 丁香五月性爱爱五月| 久久久天天啊| 人人人操| 99性视频| www,超碰| 久热这里只精品| 久碰视频| 狠狠色婷婷丁香六月| 99国产在线精品视频| 五月天社区| 五月激情影院| 爱性综合网| 粉嫩AV久久一区二区三区| 99 频99热国里只有精品| 中文毛片无遮挡高潮免费| 亚洲第精品| 婷婷五月天国产传媒| 中文不卡一二区| 丁香五月激情五月色综合| 99热这里只有精品86| 久一网站| 成人片在线播放| 丁香五月综合色婷婷| 六月成人网| 99色免费视频| 五月天丁香看婷婷| 9999久久久久| 五月天自拍视频| 97丁香视频| 任你日视频| 六月色日韩| 97av在线视频| 六月婷婷久久大全| 色噜噜狠狠色综| 色婷婷久久| 深爱1激情网| 超碰永久在线| 99热6这里只有精品| 99操中文视频| 热99.com婷婷| 婷婷五月激情黄色| 无码动漫AV| 久久激情视频| 日本五月天一页| 五月丁香婷婷基地| 综合久久激情久久| 日韩成人中文字幕| 五月激情网综合| 五月丁香六月婷婷啪啪| 亚洲精品一区中文字幕乱码| 天天檫天天爽| 久热99| 久久久av久av久片一区二区| 精品色色| 这里只有精品视频看看| 国产91视频| 天天爽,天天操。| 香蕉97碰碰碰欧美| www.激情| 天天干天天操天天拍| 亚洲精品网站色视频| 丁香五月婷婷国产在线| 婷婷丁香在线| 97在线/亚洲| 色情久久久| 十区AV| 影音先锋男人女人| 色欲色香综合网| 思思热精品在线视频| 六月丁香啪| 久久在线92| 婷婷色五月综合| 三级黄网站| 人人人va亚洲视频在线| 99成人精品六| 中文字幕成人| 激情婷婷久久| 六月激情网| 99re欧美精品| 99色在线| 大香蕉伊人久久| 婷婷六月亚洲综合| 天天爽天天干天天| 岛国av电影网站| 丁香婷婷五月天校园春色| 任你操精品免费| www.激情五月天.com| 99热最新| 色五月成人| 噜噜噜噜综合在线| 99热在线观看精品免费| 久久思思热视频| 66久久视频在线| 色一情一乱一乱一区91Av| 超碰在线中文字幕| 视频一区二区在线| 一本色道久久综合狠狠躁一二三 | 深爱五月天| 人人操人人爱丁香五月| 精品婷婷五月天| 日本色色色| 五月婷婷丁香六月| 噜噜噜久久| 色99视频| 中文字幕AV网址| 五月丁香影院| 战争与艾拉电影免费观看| 婷婷五月天激情综合| 开心五月天私房婷婷| 大香蕉av在线| 色丁香五月婷婷婷| 99re这里只有精品免费| 婷婷涩五月| 久久刺激网| 亚洲AV人人操| 久久人人九九| 久久大香蕉| 激情文学 综合 色| 99热热九九| 婷婷久久综| 任你日视频| 99热碰碰| 色五月综合激情| 色吧五月| 五月色情婷婷开心五月天| 色五月无码| 桃色伊人在线| 五月天激情Av| 婷婷五亚洲| 久久99激情丁香婷婷小说网| 国产精品色色| 99爱在线精品视频免费观看| 久久香蕉网| 97人妻碰碰中文无码久热丝袜| 99在线精品免费视频| 91丨九色丨国产打屁股| 五月停停大香蕉| 在线一起草av| 另类伊人婷婷| 激情99。| 婷婷五月噜噜| 91综合色| 欧美性做爰大片免费看办公室 | 伊人热在线大香蕉| 色婷婷色五月综合| 九月婷婷久久| 国产成人va在线| 青青草原精品久久| 女同激情久久av久久| 综合色99| 99久久婷婷五月| 丁香五月天婷婷91| 都市激情久久| 99国产99| 综合激情在线观看| 天天综合网、天天综合色 | 亚洲成人婷婷| 国产99热| 日韩综合成人| 五月玖玖| 色情激情五月| 久久久99久久| 中文不卡av| 中文AV在线观看| 樱花99视频| 99性爱视频网站| 久久作爱| www.seqingwuyuetian| 丁香五月婷婷色偷偷| 人伦30P| www.五月天性.com| 久99综合婷婷| 第九色区AV在线| 五月天啪啪视频| 日韩精品色| 天天噜日日噜综合无码| 少妇伦子伦精品无吗| 亚洲操B视频| 激情综合网丁香| 五月开心深深爱激情综合| 91爱啪啪| 欧美日本高清视频99| 五月丁香色婷婷婷基地| 成人va视频| 精品无码久久久久久久久| 婷婷色五月开心五月| 婷婷综合成人五月天| 色九亚洲| 五月天婷婷丁香人人操91| 成人短视频在线| 婷婷五月天电影区小说区| 99人人干| 中文字幕不卡+婷婷五月| 狠狠干狠狠干狠狠干狠狠干| 91干视频| 色六月 婷婷| 国产日比| 中文字幕丰满人妻无码专区| 五月婷婷久久网| 狠狠夜夜五月丁香| 国产婷婷色五月| 色五月色五天免费视频| 美女久久婷婷| WWW色五月天| 婷婷色婷婷| 国产欧美大香蕉一区| caobi四区| 久久激情综合| 婷婷成人在线| 五月天久久网站| 欧美黄色一级录像| www.狠狠操.con| 九九99免费视频| www.com任你艹| 天天爽综合| 国产国产乱老熟女视频网站97| 色婷婷香蕉| 五月丁香久久激情网| 性爱综合网| 欧美伊人9| 丁香六月成人| 婷婷五月丁香99| 婷婷五月四狠狠| 久久久久久人妻| 99综合成人视频在线观看| 久久欧洲综合网| 人妻日日日| 99精彩视频在线观看| 99精品网| 亚洲开心激情网| 国产精产国品一二三在观看| 91视频精品99| 91chinese在线| 天天色天天射天天日| 欧美日韩123| 丁香五月情| 丁香婷婷激情六月五月开心| 九月av| 五月天操逼网| 538任你爽| 91久久久久久| 久久99久久99精品免观看粉嫩| 激情五月天啪啪| 婷婷五月激情欧美| 夜夜撸天天操| 久久er免费视频| 五月丁香色婷婷| 精品综合久久久久久五月天| 黄网在线免费| 婷婷综合网站| 丁香色五月天| 综合九九中文字幕| 99热老网站| 丁香五月情| 91青娱乐青青草| 五月色网| 噼里啪啦完整版中文在线观看 | 久热AA| 婷婷操超碰| 91久久久久久| 综合激情五月四射婷婷| 99超超碰| 亚洲精品色| 久婷婷| 天天插天天射| 一區四區歐美日韓| 变态另类色图| 99自拍视频在线观看| 五月天天天操天天爽夜夜操| 免费无码毛片一区二区A片| 六月激情网| 91精品综合久久久久久五月丁香| 婷婷激情五月吧| 中字幕视频在线永久在线观看免费 | 天色综合网站| 婷丁香五月天| 开心激情综合| 欧美丁香六月在线观看视频| 超碰成人影视| 久久九九综合| 青草激情在线| 欧美综合激情| 伊人超碰| 久久视频九九视频| 激情久久久久久久久久久| 亚洲AV网址| 狠狠色狠狠鲁| 欧美日本黄色| 极品人妻VIDEOSSS人妻| 色综合久久88色综合天天99| 蜜桃婷婷五月| 一级内射毛片| www.狠狠| 久操b网| 1024欧美看片| 丁香五月成人| 99在热线免费视频| 99热这里只有精品98| 婷婷五月激情五月丁香五月| 99福利导航| 婷婷丁香久久五月综合| 国产激情av| 欧美综合激情| 五月婷激情| 婷婷五月色播放| 丁香午月AV中文字幕| 操操操91| 成人.在线日韩| 婷婷综合色色| 色99热| henhencao国产在线| 激情宗合 激情宗合| http:色情日本com| 五月色婷婷中文字幕| 婷婷综合网站| 亚洲在线激情婷婷五月| 丁香五月天激情视频| 久久人妻人人| 亚洲 日韩色色| 国产精品日日躁夜夜躁| 激情玖玖综合网| 99国产精品白浆在线观看免费| 天天色噜| 五月天五月天激情网| 另类图片激情五月天| 成人一级片| 激情婷婷综合网| 成人中文网| 99综合视频| 99在线热视频| 午夜精品777| 人人色人人摸人人看| 五月综合激情| 色色色色色色色色色色色色色五月天| 五月天色色色| 99福利导航| 五月天播播中文字幕 | 99爱视频在线播放| 五月丁香六月婷综合成人综合| 六月婷婷之青青草| 99热99操| 欧美日韩成人在线免费| 人妻丰满精品一区二区A片| 99精品在这里| 日本色99| 五月天综合| 天天操天天曰| 色婷婷狠狠18| 五月丁香六月婷婷操操操| 五月婷婷啪啪网| 操操操操操操婷婷五月天| 欧美在线看| 9久热在线视频精品| 一片AV片免费播放| 大香蕉久久视频久久视频| 可以免费观看的av网址| 四虎成人精品永久免费AV九九| 五月婷婷丁香网| 日日噜噜久久婷婷五月天| 欧美日韩成人在线| 丁香六月激情综合| 强壮公让我夜夜高潮A片视频| 日本九九九九| 97色在线视频| 久久大香蕉| 99热这里只有精品9| 美英法精品无码免费视频| 五月丁香激情六月| 久久人妻伦理| 伊人五月天| 色情久久久| 99综合免费视频| www.色99| 9热在线观看| 黄色片区子| 五月婷婷丁香综合| 天天在线XXX| 久久精品9| 丁香五月网址| 丁香五月婷婷网| 色呦呦美女| 99亚州综合精品成人网| 99精品成人无码A片观看金桔| 国外亚洲成AV人片在线观看| 香蕉久久五月| 日逼影音先锋AV男人资源站| 久9视频免费播放| 成人在线综合| 丁香六月啪啪| 日本久久精品| 天天日日天天| 婷婷色五月综合丁香| 丁香五月婷婷偷拍| 五月天久久婷婷婷| 五月婷婷香蕉| 五月婷婷六月丁香激情| 涩综合婷婷| 五月天另类激情在线| 狠狠丁香| 婷婷六月丁香五月| 国外亚洲成AV人片在线观看| 狠狠精品干练久久久无码中文字幕| 国产99久| 91精品国产99久久久久久天美| 欧亚色色| 五月激情五月丁香| 夜夜爽天天日| 色五月婷婷在线| 五月激情婷婷播播开心| 日本色婷婷| 久久密臀婷婷| 亚洲中文字幕av| 99热在线这里只有精品| 啪啪色区| 国产精品久久欧美久久一区| 久热精品免费视频4| 97干综合网| 婷婷丁香午夜综合影视| 国产在这里只有精品| 伊人99热| 丁香五月五月婷婷欧美大香蕉| 色综合久久综合| 六月丁香啪| 婷婷色五月天在线观看| 天天狠狠干| 五月婷婷av| 丁香五月天婷婷大香蕉| www.色综合| 亚洲另类噜噜| 91干在线| 丁香综合日产精品久久| 在线中文av| Www,五月天| 97天堂| 九九99视频精品| 色丁香五月婷婷| 日韩成人无码片| 九九热99熟女| 亚洲精品乱码久久久久99| 五月丁香婷婷五月| 大地9中文在线观看免费高清| 日韩色色一区| 色婷婷狠狠色| 久久久久人妻网址| 色香久久| 天天日天天干天天插天天射| 五月色网| 久久香蕉婷婷| 深爱五月中文字幕| 久久人妻视频| 久在线综合69| 久久网站观看免费欧洲国产 | 日韩一级网站| 久久免费高| 99riAV国产精品视频| 色五开心五月五月深深爱| 婷婷丁香18| 亚洲性视频| 五月丁香六月情婷婷久久| 久久久婷婷婷| 天天se在线视频| 91热爆在线| 色五月xxx| 婷婷五月天影院| 日本波多野结衣视频| 天堂综合久| 99热官网精品在线| 麻豆WWWCOM内射软件| 久久激情视频99| 天天干天天干天天干天天干天天干天天干天天| 五月天激情丁香| 97碰碰在线看视频免费| www.婷婷六月天| 毛片蕉地一二| 五月丁香六月婷婷a v| www.婷婷五月天| 激情综合啪啪啪| 亚洲成人免费在线| 五月丁香啪啪啪综合网| 日日肏天天操| 国产精品天天狠天天看| 色五月婷婷成人视频| 婷婷久久综合| 国产片天天爽夜夜爽| 9999久久久久| 九九aV| 婷婷久久久久| 久久狼人天堂| 另类五月激情| 九九美女视频| 五月丁香六月情| 91九九九九| 久久久久99精品成人片| 五月Huangsewang| 99精品网站| 婷婷五月在线影院| 天天射夜夜骑| 久久五月热| dingxiangtingtingliuyue| 狠狠色色色| 欧美啄木乌丝袜人妻系列| 开心五月婷婷伊人| 可以看的AV| 婷婷va| 丁香五月六月综合激情| 亚洲情色一区| 4399人妻无码久久久| 殴美日韩成人| 日韩人妻无码精品| 啪啪综合| 99国产小视频2013| 色色色色网站| 五月天成人在线视频丁香| 97夫妻超碰| 丁香五月六月激情久久| 九九热99在线视频| 激情综合网激情五月丁香| AV成人在线网站| 精品亚洲VA网站| 懂色av粉嫩av蜜臀av| 天天爽天天草| 77777亚洲午夜久久| 色色AV色色色东莞| 成人电影AV在线观看| 丁香激情四射| 天搞天天天天天| 99热这里只有精品9| 思思热在线视频99| 欧美成人日韩| 婷婷五月丁香五月| 亚洲综合五月天综合| 狠狠穞A片一區二區三區| 99久久精品网| 日韩久久成人| 五月天日日操夜夜操 | 天天爽曰日爽| 色综合色综合色综合| 99性爱| 五月天六月婷婷| 婷婷第一页| 97超级碰碰碰久久久| 欧美色99| 少妇综合网| 99久在线精品| 免费视频WWW在线观看网站| 五月婷六月丁香| 狠狠干综合网| 免费看欧美成人A片无码| 99熟女| 婷婷丁香熟女| WWW,五月| 国产丁香五月天婷婷| 97碰碰叉| 91日韩在线| 五月婷婷和六月| 亚洲熟女乱色综合亚洲网站| 婷婷综合网| 99热这里只| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 狼人久草| 天天干天天叉| 色www.con| 大陆极品少妇内射AAAAAA| 狠狠干狠狠干| 亚洲综合久| 嫩草哈哈操| 激情综合区| 天天干com| 色欲人妻综合aaaaaaaa网| 91a片爽| 超碰免费人妻| 99爱免费视频| 婷婷色五月婷婷姐妹| 久热婷婷在线视频| 天天干天天日天天操| 五月天婷婷成人| \\五月天婷婷激情| 亚洲天堂爱爱| 五月丁香香蕉| 色五月激情网| 色八月婷婷| 婷婷五月天婷婷| 九九色图| 精品无码久久久久久久久| 四月婷婷丁香五月| 亚洲成人电影aaaa| 久久婷婷影院| 久久婷婷夜| 极骚大香蕉伊人| 色狠狠色| 丁香成人五月天| 日日夜夜噜噜爽爽| 五月在线婷色| 五月婷婷色色色| 婷婷99丁香| 大香蕉在线99热| 五月丁香色综合| 99热这里都是精品| 久热这里只有精品6| 超碰97干| 色综合久久综合| 日韩五月婷婷久久| 免费看欧美成人A片无码| 一级黄色影片| 日韩狠狠色| 婷婷色五月婷| 五月天婷婷影院影院观看| 99热首页在线30| 丝袜激情网| 超碰色人妾| 亚洲天堂色| 久热一区| 大地9中文在线观看免费高清| 午夜丁香综合婷婷| 亚亚州久久高潮| 激情网狠狠干| 电影蜘蛛女| 婷婷丁香婷婷97| 成人精品视频99在线观看免费| 亚洲操操操| 婷婷伊人五月天| 丁香六月综合| 思思热视频在线| 天天噜噜| 天天色色婷婷| 婷婷五月精品在线| 色综合久久99色| 日本在线视频播放91| 99热99美国在线观看| 潮汕成人AV片在线| 美女被肏网站在线看| 一本久久婷婷| 久久久久久久,99精品视频| Blackedraw视频一区二区| 精品亚洲国产成AV人片传媒| 少妇人妻人伦A片| 玖玖在线资源视频| 激情久久伊人| 天天婷婷| 一月婷婷色色| 黄网在线播放| 五月婷婷之激情五月| 91夫妻网站九色| 俺也去在线视频| 五月婷婷六月丁香玖玖玫瑰91| www,com,五月色色| 伊人久久大香蕉网| 婷婷久热| 成人色站,在线视频,看片-SS1AV| 五月激情天| 婷婷五月激情五月激情| 日韩欧洲亚洲| 超碰97在线观看免费| 色婷婷激情| 激情久久四色| 97香蕉人人在线观看| 久草五月天| 国产激情在线| 丁香五月欧美激情| 亚洲天堂热| 在线只有精品| 99惹精品视频| 久久婷婷草| 亚洲AV电影美洲AV电影| 天天射夜夜骑| 婷婷五月天伦理| 天天干-天天日| 色五月影视| 操操操Av| 久久伊人五月天| 婷婷亚洲综合| 免费精品99| 五月天激情网图片| 91国产精品视频播放| 色综合偷拍| WWW久久久| 色综合色综合色综合高潮| 婷婷五月深深爱| 日本系列_4页_777FP| 99碰超| 国产成人精品亚洲线观看| 99热在线观看成人| 九九99九九精品视频| 色五月激情图片| 99九九在线| 天天射射夜| 婷婷五月天视频| 国产成人+综合亚洲+天堂| 五月丁香婷婷欧美色图视频五月丁香777电影| 亚洲AV成人精品网站在线播放| 激情中文在线| 五月丁香久人妻中文| 丁香五月在线看| 婷婷八月丁香激情综合| 专区无日本视频高清8| 99热超| 怕怕av| 在线只有精品| 天天日天天久久青青| 99精品人人| 99热这是里只有精品| 日日天天干| 久久伊人大香蕉| 男人天堂 久久| 丁香五月 综合| 另类综合色| 99ER热精品视频| 婷婷久久性爱| 天天在线久久综合 | 人人人舔人人人操人人人摸人人人97| 日本久热| 99噜噜噜在线播放| 大香AV| 色人妻五月| 色无码| 婷婷五月丁香香蕉| www好屌操| 色色色五月婷婷| 狠狠一日| 久久九九玖玖| site:ornaments52.com| 在线观看亚洲视频影院| 色婷婷激情Av久久久| 天天做天天爱天天搞| 亚洲性爱日韩无码| 99这里| 97人人爱人人操| 深爱激情av| 日日干夜夜干| 激情综合色图| 伊人深爱综合| 日日夜夜狠狠| 国产看真人毛片爱做A片| 久操大香蕉| 99热国产在线| 亚洲亚洲人成综合网络| 在线婷婷| www.五月天婷婷姐姐| 色婷婷五月在线| 99狠狠操一| 五月天 另类图片| 亚洲字幕AV一区二区三区四区| 97色色婷婷| 日本天堂免费99| 奇米影视777在线_在线观看午夜_h小视频在线观看_岛国大片 | 天天狠天天叉| WWW.桔色成人.COM| 精品一二三区视频立| 成人丁香| 狠狠色狠狠色综合日日91| 狠狠色综合五月| caop视频| 欧美婷婷五月激情| 五月婷婷丁香六月| 亚洲另类婷婷五月丁香在线播放| 91在线日| www.日韩国产| 天天做天天爱| 《丁香激情综合久久伊人久久》影视在线观看 -高清预告手机免费播放 -三妹影院 | 久久99精品久久久久久青青AR| 丁香五月,激情五月,深爱五月| 乱精品一区字幕二区| 亚洲成人网无码| 五月丁香 啪啪| 九九AV在线| 激情中文在线| 一级二级色大片| 婷婷丁香五月婷婷| 狠狠色狠狠爱| 97碰人人操| 91久草五月天婷婷| 五月天婷婷激情在线色图| 日韩三级视频一区二区| 亚洲欧美一区二区三区四区爱爱动图| 丰满人妻妇伦又伦精品国产| 99热在线这里只有精品| 99热爆在线| 五月的丁香六月的婷婷| 久99999热视频在线观看免费| 亚洲五月综合色播| 七月丁香五月婷婷在线| 色情久久久| 丁香婷婷激情网站| 婷婷五月综合丁香久久| 色婷婷丁香五月综合| 五月丁香六月停停停| 亚州色色色| 91一道本| 91丨九色丨白浆秘| 思思视频久久| 五月激情站| 激情99| 五月丁香激情综合| www.夜夜夜| 超碰狠狠操| 欧美成人网婷婷综合在线| 婷婷天天五月天| 五月天婷婷在线AN| 夜夜爱影院| 色欲午夜无码久久久久久张津瑜| 日本在线99| www.五月婷婷| 華人性愛AV在線| AA片在线观看视频在线播放| 久热这里这里有精品| 国产人妻777人伦精品HD| 久操人妻| 亚洲精品一区中文字幕乱码| 日日日日操| 狠狠爱五月婷婷| 九九香蕉网| 久色五月| 91久久九久久九久久九久久九久久| 亚洲精品国产精品乱码视99| 99在线视频资源| 日韩AAAAA| 婷婷成人综合五月| 欧美日韩成人在线网站| 五月丁香777| 久久五月天合网| 婷婷丁香五月天综合在线日韩| 日本五月天激情| 日本三级大片| 《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 | 国产性av| 久久久久久人妻| 五月天婷婷基地丁香| 沈娜娜av| 99ri视频| 都市激情小说婷婷|