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。

從FGSM到PGD:Fashion-MNIST對抗攻擊與對抗訓練實戰(zhàn)

從FGSM到PGD:Fashion-MNIST對抗攻擊與對抗訓練實戰(zhàn) 簡介面向深度學習安全入門與對抗攻防復現(xiàn)需求這套材料圍繞Fashion_MNIST圖像分類任務提供從對抗樣本生成到對抗訓練防御的完整實驗內(nèi)容適合已掌握基礎神經(jīng)網(wǎng)絡、希望理解模型魯棒性評估的學生與算法愛好者也可用于課程設計或安全方向的前期驗證。壓縮包共121個文件約15.12MB其中9個Python腳本承載模型訓練、攻擊實現(xiàn)與評估流程8個pkl與2個h5文件保存訓練中間結(jié)果及模型權重100張jpg直觀呈現(xiàn)對抗樣本與原始圖像的對照另附md說明與gitignore便于環(huán)境整理。已有117人學習下載。讀者可據(jù)此復現(xiàn)FGSM、PGD等攻擊方法觀察細微擾動對分類結(jié)果的影響并對比對抗訓練前后模型在干凈樣本與對抗樣本上的準確率變化進而理解魯棒性、泛化能力與安全部署之間的權衡形成從攻擊生成、防御訓練到指標評估的可運行閉環(huán)。1. 一個 93% 掉到 12% 的分類器對抗攻擊與對抗訓練解決的是什么問題一個做課程設計的同學給我看他的模型Fashion-MNIST 測試集 93.1%我讓他把輸入疊一層 eps0.1 的擾動再喂進去準確率掉到 11%比十類瞎猜還低。這就是對抗攻擊最反直覺的地方——擾動小到人眼看不出模型卻徹底失明。這份 Attack_Fashion_MNIST 代碼包做的事就是把整條線完整展開先干凈訓練一個卷積基線再用 FGSM、I-FGSM、PGD 三種方式把它打穿然后把對抗樣本塞回訓練循環(huán)做對抗訓練最后拿干凈準確率和魯棒準確率兩條曲線對照。它適合兩類人剛接觸對抗樣本、想要一個能完整跑通的最小閉環(huán)的以及要拿它當實驗底座換成自己的數(shù)據(jù)集或攻擊算法的。2. 目錄結(jié)構(gòu)與數(shù)據(jù)管線Fashion-MNIST 怎么讀、怎么切、怎么喂進去拿到壓縮包先別急著執(zhí)行 train把目錄看一遍能省掉后面一半的調(diào)試時間。這個項目的模塊邊界切得比較克制沒有一上來就上 Lightning 或者 Hydra純 PyTorch 加一個 yaml好處是可以把每一行發(fā)生的事都看清楚。2.1 從目錄樹看模塊職責的切分Attack_Fashion_MNIST/ ├── configs/base.yaml # eps / alpha / steps / lr 等全部外置 ├── data/ # 首次運行自動下載的 idx 文件落在這里 ├── models/ │ └── small_cnn.py # 4 層卷積 BN 全連接的分類器 ├── attacks/ │ ├── fgsm.py # 單步攻擊 │ ├── ifgsm.py # 迭代攻擊固定步長 │ └── pgd.py # 迭代攻擊 隨機起點 投影 ├── train_clean.py # 干凈基線訓練 ├── train_adv.py # 對抗訓練 ├── evaluate.py # eps 掃描輸出 csv 和曲線 ├── visualize.py # 對抗樣本網(wǎng)格圖 擾動放大圖 ├── utils.py # 種子、ckpt 保存、指標統(tǒng)計 └── requirements.txt關鍵點是attacks/單獨成包。攻擊函數(shù)既被evaluate.py調(diào)用又被train_adv.py在訓練循環(huán)里調(diào)用如果寫在評估腳本里訓練腳本就得反向 import很容易寫出循環(huán)依賴。把它們抽出來之后所有攻擊必須滿足同一個簽名def attack_fn(model, x, y, eps, **kwargs) - torch.Tensor: 輸入干凈樣本與標簽返回對抗樣本形狀與 x 一致取值仍在 [0,1]簽名的第 4 個位置參數(shù)留給 eps 是有意為之——evaluate.py要在一組 eps 上掃出魯棒性曲線把 eps 當可變參數(shù)傳掃描循環(huán)才寫得干凈。2.2 DataLoader這份代碼沒做 Normalize數(shù)據(jù)這塊是第一個容易分歧的地方。絕大多數(shù)圖像分類工程會在transforms里加Normalize(mean, std)但對抗攻擊項目里我一般不加原因后面代碼里會顯出來。import torch from torch.utils.data import DataLoader, random_split from torchvision import datasets, transforms DATA_ROOT ./data # 只做 ToTensor像素被縮放到 [0, 1]不做 Normalize base_tf transforms.Compose([transforms.ToTensor()]) def build_loaders(batch_size128, val_ratio0.1, seed42, num_workers2): full_train datasets.FashionMNIST(DATA_ROOT, trainTrue, downloadTrue, transformbase_tf) test_set datasets.FashionMNIST(DATA_ROOT, trainFalse, downloadTrue, transformbase_tf) n_val int(len(full_train) * val_ratio) # 60000 * 0.1 6000 train_set, val_set random_split( full_train, [len(full_train) - n_val, n_val], generatortorch.Generator().manual_seed(seed), # 切分可復現(xiàn) ) train_loader DataLoader(train_set, batch_sizebatch_size, shuffleTrue, num_workersnum_workers, pin_memoryTrue, drop_lastTrue) val_loader DataLoader(val_set, batch_size512, shuffleFalse, num_workersnum_workers) test_loader DataLoader(test_set, batch_size512, shuffleFalse, num_workersnum_workers) return train_loader, val_loader, test_loader參數(shù)上batch_size在干凈訓練階段用 128 就夠了對抗訓練階段同樣 128但顯存占用大約是干凈訓練的兩到三倍因為攻擊那幾步還要保留計算圖val_ratio0.1是給「選超參」留的位置測試集從頭到尾只看一次否則 eps 和步數(shù)會在測試集上過擬合報出來的魯棒準確率就是假的drop_lastTrue是為了讓 BN 在訓練時每個 batch 都有穩(wěn)定的統(tǒng)計量最后不滿 128 的那個 batch 直接丟掉。不做 Normalize 的理由很實在攻擊函數(shù)要把擾動投影回「合法像素空間」如果輸入已經(jīng)被歸一化到[-1, 1]附近那clamp(0, 1)就是個錯誤的約束投影會把樣本拉到一個根本不存在的像素分布上攻擊強度會被莫名削弱。常見做法有兩種——要么把每張圖的合法區(qū)間存下來在歸一化空間里算 clamp 邊界要么干脆不歸一化讓模型第一層的 BatchNorm 去吸收尺度差異。我選后者代碼短出錯概率低。2.3 種子與確定性別讓兩次實驗對不上對抗實驗的結(jié)果波動比普通分類大得多同一個 eps 跑兩遍差三四個點很常見所以種子的設置必須比平時更狠import os, random import numpy as np import torch def set_seed(seed42, deterministicTrue): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) os.environ[PYTHONHASHSEED] str(seed) if deterministic: torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark Falsecudnn.benchmarkFalse會犧牲一點吞吐來換取卷積算法固定在對比兩種訓練策略時這點吞吐值得讓出去。PYTHONHASHSEED主要是防 DataLoader 在多 worker 下的順序抖動。另外 PGD 里的隨機起點也是用全局種子驅(qū)動的如果只設了 torch 的種子沒設 numpy 的np.random.uniform那條分支就會每輪都不一樣實驗日志根本對不齊。提示W(wǎng)indows 下num_workers 0必須把入口代碼放進if __name__ __main__:否則 DataLoader 會反復重啟進程表現(xiàn)是顯存一點點漲上去然后卡死。3. 干凈的分類基線SmallCNN 的結(jié)構(gòu)和訓練循環(huán)對抗實驗有個前提干凈樣本上得先訓出個像樣的模型?;€太弱攻擊再強也沒意義基線太強又會把大部分時間耗在調(diào)參上。這個項目用的結(jié)構(gòu)是折中方案在單卡上十幾分鐘能訓完一輪。3.1 模型結(jié)構(gòu)四層卷積加一個全連接頭import torch import torch.nn as nn class SmallCNN(nn.Module): def __init__(self, num_classes10): super().__init__() self.features nn.Sequential( nn.Conv2d(1, 32, 3, padding1), nn.BatchNorm2d(32), nn.ReLU(inplaceTrue), nn.Conv2d(32, 32, 3, padding1), nn.BatchNorm2d(32), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 28 - 14 nn.Conv2d(32, 64, 3, padding1), nn.BatchNorm2d(64), nn.ReLU(inplaceTrue), nn.Conv2d(64, 64, 3, padding1), nn.BatchNorm2d(64), nn.ReLU(inplaceTrue), nn.MaxPool2d(2), # 14 - 7 ) self.classifier nn.Sequential( nn.Flatten(), nn.Linear(64 * 7 * 7, 128), nn.ReLU(inplaceTrue), nn.Dropout(0.3), nn.Linear(128, num_classes), ) def forward(self, x): return self.classifier(self.features(x))結(jié)構(gòu)沒什么稀奇但每個選擇都對應一個理由。輸入是單通道 28×28所以第一層in_channels1換成 CIFAR-10 就是 3這是二次開發(fā)時第一個要動的地方。兩次MaxPool2d把 28 降到 7全連接輸入是64*7*73136整個模型參數(shù)量在五十萬上下不算大正好適合在單張消費級卡上反復跑對抗訓練。BatchNorm 放在每個卷積后面是必須的——沒有它對抗訓練階段 loss 會抖得非常厲害幾乎沒法收斂。Dropout 只放在全連接頭卷積部分不加加了會讓攻擊的梯度變得稀疏FGSM 打不動。3.2 訓練循環(huán)里幾個必須寫對的位置import torch import torch.nn as nn from models.small_cnn import SmallCNN def train_clean(model, train_loader, val_loader, epochs15, lr1e-3, devicecuda): criterion nn.CrossEntropyLoss() optimizer torch.optim.Adam(model.parameters(), lrlr, weight_decay5e-4) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_maxepochs) best_acc 0.0 for epoch in range(epochs): model.train() for x, y in train_loader: x, y x.to(device, non_blockingTrue), y.to(device, non_blockingTrue) optimizer.zero_grad(set_to_noneTrue) loss criterion(model(x), y) loss.backward() optimizer.step() scheduler.step() acc evaluate_acc(model, val_loader, device) # 驗證集上只看干凈準確率 if acc best_acc: best_acc acc torch.save(model.state_dict(), ckpt/clean_best.pt) return best_acc幾個位置值得單獨說。zero_grad(set_to_noneTrue)比默認的zero_grad()省一點顯存也快一點在大規(guī)模對抗訓練里能積少成多。調(diào)度器用余弦退火最后幾個 epoch 學習率壓得很低驗證準確率能再穩(wěn)零點幾個點。evaluate_acc內(nèi)部必須切model.eval()和torch.no_grad()這個函數(shù)后面會被反復復用訓練循環(huán)里一旦漏掉 evalBN 的 running stats 會被驗證集數(shù)據(jù)污染下一輪訓練的起點就不對了。3.3 基線結(jié)果怎么讀先看混淆矩陣再看總準確率干凈訓練跑完驗證集準確率落在 92% 到 93% 之間是這份代碼的正常水平。如果只有 88% 上下八成是學習率或者 epoch 數(shù)不對如果到了 94% 以上先懷疑是不是驗證集和訓練集有重疊——random_split用了獨立的 generator正常情況下不會重疊但如果手動切分時索引寫錯結(jié)果會好得很可疑。Fashion-MNIST 有個很典型的現(xiàn)象總的準確率看著不錯但 T-shirt/top、Shirt、Pullover 這三類的混淆率一直偏高原因是它們在 28×28 灰度圖里本來就長得很像。這個細節(jié)在對抗實驗里會放大——攻擊最容易把 Shirt 推到 Pullover 或者反過來做可視化的時候你看到的第一批「成功攻擊樣本」大概率就是這三類互相串。心里有數(shù)就不會誤以為是代碼寫錯了。4. 攻擊與對抗訓練的核心實現(xiàn)FGSM、I-FGSM、PGD 三段代碼這一章是整個項目的重心。三種攻擊的代碼量都不大但每一行都有講究寫錯一處結(jié)果就差一個數(shù)量級。4.1 FGSM單步梯度上升十行代碼但有三處會寫錯import torch def fgsm_attack(model, x, y, eps, criterionNone, clamp(0.0, 1.0)): Fast Gradient Sign Method沿損失對輸入的梯度符號方向走一步 if criterion is None: criterion torch.nn.CrossEntropyLoss() model.eval() # 1. 凍結(jié) BN x_adv x.detach().clone().requires_grad_(True) # 2. 只有輸入需要梯度 loss criterion(model(x_adv), y) grad, torch.autograd.grad(loss, x_adv) # 3. 只求 dL/dx不求參數(shù)梯度 x_adv x_adv.detach() eps * grad.sign() # 沿符號方向走 eps return x_adv.clamp(*clamp).detach() # 投影回合法像素范圍三個容易翻車的位置都用注釋標出來了。第一model.eval()必須在前面哪怕調(diào)用方已經(jīng)切過——攻擊函數(shù)被訓練循環(huán)調(diào)用時上一行往往剛把模型切回 train。第二用x.detach().clone().requires_grad_(True)而不是直接對x開梯度原因是 DataLoader 吐出來的張量可能是只讀視圖原地改會污染原始數(shù)據(jù)。第三用torch.autograd.grad而不是loss.backward()這樣不會在模型參數(shù)的.grad上堆積梯度攻擊完模型還是干凈的。如果用 backward下一個 batch 的優(yōu)化器 step 會帶著攻擊殘留的梯度一起更新訓練直接崩。eps的量級是另一個坑。Fashion-MNIST 像素在[0,1]常見的有效區(qū)間是 0.05 到 0.15對應 12/255 到 38/255。如果從 ImageNet 的代碼里抄了8/255在 Fashion-MNIST 上偏弱攻擊后準確率可能只掉十來個點容易誤判成「模型很魯棒」。4.2 I-FGSM 與 PGD差別只在一行隨機起點I-FGSM 就是小步多走的 FGSMPGD 在它基礎上加了隨機起點。兩者共用一套骨架import torch def pgd_attack(model, x, y, eps0.1, alpha0.01, steps10, criterionNone, random_startTrue, clamp(0.0, 1.0)): if criterion is None: criterion torch.nn.CrossEntropyLoss() model.eval() x_adv x.detach().clone() if random_start: # PGD 與 I-FGSM 的唯一差別 x_adv x_adv torch.empty_like(x_adv).uniform_(-eps, eps) x_adv x_adv.clamp(*clamp) for _ in range(steps): x_adv.requires_grad_(True) loss criterion(model(x_adv), y) grad, torch.autograd.grad(loss, x_adv) x_adv x_adv.detach() alpha * grad.sign() # 單步步長 alpha delta (x_adv - x).clamp(-eps, eps) # 投影回 eps 球 x_adv (x delta).clamp(*clamp) # 再投影回像素范圍 return x_adv.detach()參數(shù)關系上alpha一般取eps/10到eps/4之間steps * alpha略大于eps是合理的因為投影會把超出部分拉回來。steps10是評估的常規(guī)配置steps7常用于訓練內(nèi)循環(huán)以省時間。random_startTrue是 PGD 強于 I-FGSM 的關鍵——每次從 eps 球內(nèi)的隨機點出發(fā)多次重啟可以摸到不同的局部最優(yōu)評估時把restarts設成 5 到 10 再取最差準確率報出來的數(shù)才經(jīng)得起追問。requires_grad_(True)放在循環(huán)里而不是循環(huán)外是因為每次detach()之后圖就斷了必須重新掛上。4.3 對抗訓練把攻擊塞進訓練循環(huán)的順序問題對抗訓練PGD-AT的核心思路很樸素每個 batch 先用當前模型生成對抗樣本再用這些樣本來算 loss 和反傳。import torch import torch.nn as nn from attacks.pgd import pgd_attack def train_adv(model, train_loader, val_loader, epochs25, eps0.1, alpha0.01, steps7, lr0.01, devicecuda): criterion nn.CrossEntropyLoss() optimizer torch.optim.SGD(model.parameters(), lrlr, momentum0.9, weight_decay5e-4) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_maxepochs) for epoch in range(epochs): model.train() for x, y in train_loader: x, y x.to(device), y.to(device) # 1) 生成對抗樣本內(nèi)部會切 eval結(jié)束后手動切回 train x_adv pgd_attack(model, x, y, epseps, alphaalpha, stepssteps, criterioncriterion) model.train() # 2) 用對抗樣本前向、反傳、更新 optimizer.zero_grad(set_to_noneTrue) loss criterion(model(x_adv), y) loss.backward() optimizer.step() scheduler.step() print(fepoch {epoch}: val_acc{evaluate_acc(model, val_loader, device):.4f})順序上有兩個點必須對。第一x_adv必須在optimizer.step()之前生成用舊參數(shù)生成攻擊、用新參數(shù)學習這是標準做法如果反過來先更新參數(shù)再生成就變成了對舊模型的攻擊魯棒性提升會打折扣。第二攻擊生成階段切eval()、反傳階段切回train()目的是不讓對抗樣本去更新 BN 的 running stats——對抗樣本的分布和干凈樣本有偏移混進統(tǒng)計量之后干凈準確率會莫名其妙掉兩三個點而且很難查出來。評估這步也別省。掃一遍 eps 畫出曲線是把「魯棒」這個詞說清楚的最低要求def eval_under_attack(model, loader, eps_list, devicecuda): model.eval() rows [] for eps in eps_list: correct total 0 for x, y in loader: x, y x.to(device), y.to(device) x_adv pgd_attack(model, x, y, epseps, alphaeps/8, steps20, random_startTrue) # 評估用強攻擊 correct (model(x_adv).argmax(1) y).sum().item() total y.size(0) rows.append({eps: eps, acc: correct / total}) return rows評估時steps20起步訓練時 7 步就夠這個不對稱是有意的——訓練內(nèi)循環(huán)追求速度評估必須追求可信。用弱攻擊評估強模型很容易得出「魯棒性很好」的結(jié)論實際上只是梯度被掩蔽了。我這份代碼跑下來的數(shù)量級參考干凈模型在eps0.1、PGD-20 下準確率掉到個位數(shù)做完 PGD-AT 之后干凈準確率大概 87% 到 88%同一個攻擊下能守在 75% 上下。這個交換比就是對抗訓練的本質(zhì)——用幾個點的干凈精度換幾十個點的魯棒精度。5. 避坑與排查五個讓實驗結(jié)果不可信的現(xiàn)場對抗實驗最麻煩的地方不是跑不起來是跑起來了但結(jié)果是錯的而錯的結(jié)果看上去還挺合理。下面五條是我在這類項目里反復遇到的。5.1 攻擊側(cè)的三個坑坑一攻擊之后準確率還在 80% 以上以為模型很魯棒?,F(xiàn)象是 FGSM 打完幾乎沒掉點甚至個別輪次還漲了。原因通常是 eps 量級用錯從別的項目抄了8/255≈0.031在 Fashion-MNIST 上太弱也可能是像素被 Normalize 過而攻擊的clamp(0,1)把擾動削掉了一大半。解決方式是先打印(x_adv - x).abs().max()正常應該接近 eps如果遠小于 eps說明投影把它壓掉了??佣诙€ batch 報 Trying to backward through the graph a second time?,F(xiàn)象是第一個 batch 正常第二個直接拋異常。原因是攻擊函數(shù)里用了loss.backward()而不是torch.autograd.grad或者在循環(huán)外requires_grad_(True)之后沒有detach()就進入下一輪。計算圖被復用了。解決方式是統(tǒng)一改成torch.autograd.grad(loss, x_adv)并且在每輪迭代末尾顯式detach()??尤瑯拥?eps攻擊結(jié)果每次跑都不一樣波動能到十個點?,F(xiàn)象是重跑三次拿到三個差距很大的數(shù)。原因之一是攻擊生成時模型還處在 train 模式BN 用的是當前 batch 的統(tǒng)計量batch 組成一變梯度方向就變攻擊強度跟著漂。解決方式是在攻擊函數(shù)第一行強制model.eval()不要指望調(diào)用方記得切。另一個原因是 PGD 的random_start沒設種子多 worker 下每個進程的隨機流不同這個只能靠固定種子加單 worker 調(diào)試來定位。5.2 訓練與評估側(cè)的兩個坑坑四對抗訓練 loss 不降干凈準確率從 92% 掉到 70% 以下?,F(xiàn)象是前幾個 epoch loss 一直在 2.0 附近橫盤。原因往往是超參直接沿用了干凈訓練的配置——Adam 加lr1e-3再加 20 步攻擊等價于每一步都在最難的樣本上學模型根本跟不上。解決方式是對抗訓練換 SGDlr0.01配余弦退火訓練內(nèi)循環(huán)的steps降到 7前兩個 epoch 先用干凈樣本預熱再切到對抗樣本。這幾個改動做完曲線通常會正常下來??游逵?5 步 PGD 評估就宣布魯棒換個攻擊就現(xiàn)原形?,F(xiàn)象是自己報的魯棒準確率 80%換成 20 步加 5 次重啟之后掉到 45%。這是典型的梯度掩蔽——模型學到的不是真魯棒而是讓梯度變得不可用。解決方式是評估統(tǒng)一用steps20、random_startTrue、多次重啟取最差值另外至少再交叉驗證一種攻擊比如 FGSM 和 PGD 都跑兩種攻擊的排名如果反過來說明魯棒性是假的??恿梢暬鰜淼膱D全黑或者全白?,F(xiàn)象是visualize.py存出來的對抗樣本看不出原圖。原因是前面某處做了 Normalize畫圖時直接imshow就會越界。解決方式是畫圖前統(tǒng)一反歸一化或者像這份代碼一樣全程不 Normalize只在[0,1]區(qū)間里做畫圖直接乘 255 就行。注意這五條里有三條的共同根源是「訓練/評估模式?jīng)]切對」。寫完攻擊函數(shù)之后養(yǎng)成立刻在里面補一行model.eval()的習慣能省掉大量排查時間。6. 二次開發(fā)換數(shù)據(jù)集、換攻擊組合把 demo 變成實驗底座這份代碼要往上長最先動的是數(shù)據(jù)入口。把build_loaders里的FashionMNIST換成CIFAR10同時改三處transforms加RandomCrop(32, padding4)和RandomHorizontalFlip模型第一層in_channels從 1 改成 3全連接的輸入維度從64*7*7改成64*8*832 輸入兩次池化后是 8。eps 也要跟著換CIFAR-10 上常用8/255正好是 Fashion-MNIST 那套數(shù)值的三分之一直接照搬會攻擊過強。第二個改造點是把攻擊做成可注冊的字典這樣evaluate.py掃描的時候可以一次跑多種攻擊不用改代碼# attacks/__init__.py from .fgsm import fgsm_attack from .ifgsm import ifgsm_attack from .pgd import pgd_attack ATTACKS { fgsm: fgsm_attack, ifgsm: ifgsm_attack, pgd: pgd_attack, } def build_attack(name, **kwargs): if name not in ATTACKS: raise KeyError(funknown attack: {name}, available: {list(ATTACKS)}) return lambda model, x, y, eps: ATTACKS[name](model, x, y, epseps, **kwargs)新加一個攻擊只需要在目錄里放一個同簽名的文件注冊進去即可訓練腳本和評估腳本都不用碰。這是我覺得這份代碼結(jié)構(gòu)上最值得保留的一點。幾個常見的改造方向可以直接對著改改造目標改動文件關鍵動作換數(shù)據(jù)集models/small_cnn.py、utils.py改輸入通道、全連接維度、eps 量級加新攻擊attacks/新增文件保持(model, x, y, eps)簽名并注冊加集成攻擊attacks/ensemble.py多個模型梯度取平均或取最大評估更可信參數(shù)外置configs/base.yamleps / alpha / steps / lr 全提出來方便網(wǎng)格搜索結(jié)果歸檔evaluate.py每個 eps 打一行 csv附上 commit 和種子驗證改造有沒有改對方法很土但有效先拿干凈模型跑一遍新數(shù)據(jù)集的干凈準確率確認落在合理區(qū)間再跑eps0的攻擊結(jié)果必須和干凈準確率完全一致如果對不上說明攻擊函數(shù)在 eps 為 0 時仍然改了輸入投影或者隨機起點那步有 bug。這個自檢我每次都做比看曲線管用。從那以后我每次動 eps 或者換數(shù)據(jù)集都強制先把「eps0 的攻擊 干凈準確率」這條斷言跑一遍。對抗實驗的坑大多不在算法本身而在那些看起來無害的默認值上。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
国产女人十八水真多1| 激情久久久久久久久久久| 激情五月天伊人影院| 怡红院成人AV| 色五月婷婷在线| 91碰碰视频| 日本丁香五月| 天天干天天干天天干天天干天天干天天| 亚洲六月色| 四色五月婷婷| 五月丁香六月婷综合成人综合| 天天做天天爱天天爽| 日本ww亚洲| 99视频日韩| 狼人狠狠操| 亚洲人人96@| 色色六月| 人人操AV| 色五月开心婷婷| 人人色人人弄人人操| 97 A I色色| 五月丁香琪琪| 日韩色色一区| 狠狠ri| 噜噜色com| 色狠狠综合| 婷婷五月av| 26uuu国产激情视频| 中文精品在| 丁香狠狠色婷婷| 亚洲婷婷视频| 五月色激情综合网| 亚洲日韩一页精品发布| 五月天婷婷免费| 成人 视频免费观看网站| 五月婷婷深深的爱| 欧美人人草草| 国产成人网| 俺去也综合| 日本美女天天日天天爽| 日韩少妇内射免费播放| 五月婷婷欧美| 婷婷色五月色| 婷婷五月天综合久久| 丁香婷婷九月在线| 99亚洲精品视频| 岛国AV网站| 五月六月丁香婷婷在线观看| 色色五月婷婷久久| 99操网站| 野战J办公桌椅H| 欧美99视频| 久久这里只有精品久久| 青柠影视免费高清电视剧| 久久人人妻| 五月婷六月综合在线观看| 久久精品五月天| 五月婷婷九九热| 伊人丁香六月婷婷| 人妻有码乱操| 大香网伊人久久综合| 久久久久久久久久久久久久人妻视频| 墨西哥毛片内射精| 99热这里都是精品| www.91AV.com| 国产九月婷婷| 免费试看小视频 99| 色婷婷久久综合| 极品九九九九九九| 日本波多野结衣视频| 激情五月婷| 激情综合网五月丁香| 思思精品视频| 色婷婷成人久久| 以及AA大片看看| 91九色成人原创视频| 婷婷丁香成人五月天| 婷综合| 无码日本精品XXXXXXXXX| 亚洲婷婷激情五月天| 中文字幕av网站| 五月丁香啪啪激情| 亚洲人成色A777777在线观看| 亚洲美女婷婷五月天| 99在线看视频| 96精品成人无码A片观看金桔| 婷婷五月在线观看| 丁香婷婷六月天| 五月婷婷色播| 97香蕉人人在线观看| 成人做爰高潮A片免费视频| 色五月五月婷婷| 久久99精品九九久久久婷婷| 肏日网在线看| 五月丁香亭亭电影久久| 久久99婷婷| 国产五月丁香在线| 久久HD| www.久久99| 99狠狠色| 婷婷午夜天| 第二色AⅤ| 99热精品99| 婷婷五月天97干| 99操无码视频观看| 可以免费观看的AV| 国产午夜一区二区三区| 日韩不卡DvD| 国产欧美日韩综合精品一区二区| 99操逼| 99热亚洲精品| 九九人人精品| 色婷婷在线视频| 日本色婷婷久久99精品91| 久久大香蕉同僚| 婷婷五月欧美| 99久久综合狠狠综合久久| 五月天成人免费视频| 五月婷婷六月丁香在线| 五月婷婷丁香在线视频| 99热在线观看亚洲区| 久久久五月五丁香| 久久久久亚洲AV无码网影音先锋| 亚洲另类av| 九九艹女| 日韩三级视频一区二区| 超级久久久| 婷婷五月天A V| 五月丁香综合激情| 国产精品18久久久| 丁香婷婷六月| 大香蕉75线| 青青草国产亚洲精品久久| 欧美婷婷日本| 五月天色图| 天天日天天插| 一区二区乱码视频| 丁香五月婷婷偷拍| 狼人久草| 色香蕉影院| 五月婷亚洲精品AV天堂| 天天干,天天日| 五月婷婷之综合激情| 久久久久久97| 婷婷五月天狠狠色| 综合激情五月婷婷| 丁香婷婷深情五月亚洲| 亚洲精品色| 色噜噜狠狠色综合日日| 色色免费网站| 色情成人五月天| 久久女婷| 丁香婷婷狠狠97| 香蕉AV777XXX色综合一区| 精品成人无码A片观看香草视频| 五月丁香久久| 五月婷婷婷色| 五月丁香花激情啪啪网| 久久91久久91色欲精品| 99色天堂| 五五月丁香花激情综合网| 亚洲成人AV在线播放| 97操操操| 五月婷婷激情综合在线| 这里只有九九精品| 1区2区视频| 97超碰在线免费观看| 久9热在线视频| 天天做天天爱天天高潮| 五月激情天| 日本猛少妇色XXXXX猛叫| 婷婷五月情| 少妇人妻人伦A片| 丁香五月欧美| 日本韩国视频在线观看社区免费的9| 五月丁香久久久| www.久久久久久久久久.com| 亚洲色综久久五月| 91综合在线视频| 色色色色色色色色五月先| 变态另类9| 天天日天天狠狠操| 色婷婷九月| 色播五月| 97综合在线| 国产成人综合亚洲| 激情影院69| 色婷婷五月天偷拍| 好吊丝aV| 中文在线视频久1| 丁香五月日韩| 野战J办公桌椅H| 77777亚洲午夜久久| 无码激情| 婷婷丁香五月亚洲综合网在线视频观看| 婷婷六月天激情| 亚洲成人av在线播放| 99免费| 亚洲黄网AV| 国产超碰人人| 色婷视频| 人妻在线中文字幕久久| 97碰久久| 亚洲激情视频网| 精品人人操| 加勒比久热| 另类婷婷五月天啪帕帕| 久久婷婷亚洲| 成人αV视频免费观看| 99热在线观看| 亚洲V国产V欧美V久久久久久| 久久成人精品视频| 影音先锋男人站,影音先锋男人色资源网,影音先锋AV最新资源站,影音先锋AV资源 | 操日本人妻视频| 色久五月天| 婷婷色在线| 99久久97| 丁香婷婷人妻综合网| 婷婷五月在线播放| 东京热五月婷婷| 国产小网站| 天天拍天天做视频| 99这里| 久久99草五月婷婷| 九色91美女| 6月丁香婷婷激情| 五月婷婷激情| 婷婷五月天成人视频| 色婷婷影院| 久久人妻人人槡| 五月婷婷五月| 99在线精品免费视频| 欧美色偷拍| 亚洲99视频| www.久久99热地址发布| 色婷婷影音| 深爱激情五月天色婷婷| 任你爽视频| 激情色五月天| 色婷婷丁香五月天激情综合网| 五月天激情四射| 草久私拍| 午夜婷婷五月天| 色丁香五月婷婷| 国产精品色婷婷久久久精品| 五月色婷婷综合| 人妻中文在线| 9+1视频网址| 亚洲操逼网| 亚洲操人| 天天搽天天射| 五月熟妇婷婷久久| 女同激情久久av久久| 99热国产精品| 五月色婷婷综合色| 狠狠爱丁香婷| 久久婷婷影院| 五月天色丁香| 丁香六月丁香婷婷激情| 六月久久婷婷| 五月天婷婷丁香| www.99精品日操伊人乱碰在线| 色婷婷狠狠干| 丁香五月天堂| 久久视频婷婷| 亚洲无码色| 五月久久丁香| 亚洲 在线 性爱| 五月天色五月| 91在线日本| 中文字幕婷婷五月天在线观看| 丁香五月天色婷婷| 91操人| 99国产精品久久久久久久久久久 | 久久精品系列| 六月撸婷婷| 五月丁香婷婷无码中文| 久久 婷婷 五月天| 成人综合视频在线| 久月丁香爱婷婷综合| 亚洲免费99| 五月天婷婷乱论小说| 日韩1区2区| 伊人久久大香网| WWW久| www.色婷婷。com| 五月丁香久久网| 五月丁香好婷婷A片网| 天天橾夜夜爽| av人人操| 五月综合激情| 欧美噜噜噜草| 精品一二三区久久AAA片| 欧美日韩国产成人在线| 五月丁香激| 九九热123| 色婷婷五月天亚洲| WWW久久久| 色婷婷色综合| 五月天最新网| 激情六月丁香| 婷婷五月天色色| 丁香六月婷婷久久综合| 久久99久久99久久99人受| 人妻操逼| ..真实国产乱子伦毛片| 五月丁香少妇网| 五月香婷婷| 操操碰| 操人无码| 久久综合天天综合| 潘金莲AAAAAAAAAA| 99ri视频在线播放| 九九色中文| 激情丁香五月婷婷| 欧美丁香五月天| 久久婷婷桃花五月天| 五月婷视频在线| 97五月久久丁香婷婷| 久久精品视频99| 99久久精彩视频。| 91狼友视频网页更新| 99色视频| 亚洲色情激情丁香五月| 丁香五月婷综合| 欧洲亚洲免费视频9 | 99热这里只有精品8| 9久操| 超碰猛烈的性猛交| 亚洲精品视频在线播放| 五月天丁香久久综合| 丁香五月六月婷婷殴美综合| 五月丁香久人妻中文| 97干在线视频| 91精品国产综合久久密臀| 免费成片在线观看| 婷婷精品| 色五月婷婷91| α久久| 狠狠插.com| 碰97久久| 丁香五婷婷| 丁香五月婷婷基地| 色色热| 激情深爱婷婷网| 碰碰碰碰碰99| 五月天综合| 99热这里只有精品搜| 色欲天天综合网| 99在线免费视频| 99精吕视频在线观看了| 99热这里只有精品亚洲| 欧美日韩精品一区二区三区钱| 99精品在线| 日韩精品色| 婷婷欧美综合| se婷97| 五月婷婷六月色| 五月婷在线色视频| 色婷婷丁香网| 91岛国片| www.一区二区三区| 久久看九九90| 丁香五月天资源网| 婷婷娱乐丁香综合网| 激情五月丁香五月| 成人短视频在线免费观看| 婷婷五月天av| 色色色9| 日欧大屏操| 梁铮版蜘蛛女在线观看| 一区二区三区视频| 久久久婷丁香五月天激情综合| 五月天婷婷综合网| 婷婷综合色色| 深爱综合网| 99这里只有精品在线观看| 7777激情基地| 淫五月停停| 五月婷婷在线视频| 综合网啪| 99热色精品| 操逼棍操逼| 无码九九| 日韩黄黄| 91操网| 久久久久久婷| 97日本在线播放| 另类图片五月天| www.精品99| 亚洲综合99| 97婷婷丁香五月| 99热欧美在线观看| 任你操精品免费| 久婷狼色诱惑在线| 级人人91| www.ywav| 色99xx| 97caop| 夜夜操狠狠操| 国产乱妇无乱码大黄AA片| 色婷婷视频在线| 久久婷婷五月免费视频| 激情五月婷婷色| 五月丁香 啪啪啪| 婷婷激情五月天网站| 九九热av| 五月婷视频久久| 超碰91在线| 亚洲AV网站在线观看| 超碰9在| 五月婷婷综合天天操| 狠狠色丁香乆乆| 五月婷婷爽爽爽| 色色婷| 日本三级日本三级99| 这里只有精品免费视频| 色噜噜狠狠一区二区三区| 久久免费操| 综合网啪啪| 97操碰碰无码视频| 九九色精品| 女婷久久| 在线成人网站| 九九人人操| 色婷婷五月天| 日产精品一线二线三线芒果| 久婷婷视平| 亚洲精品国产熟女久久久| 天天弄天天操| 91狠狠色丁香婷婷综合久久狠丁香综合久久精品 | 婷婷五月天99| 亚洲色色香蕉| 激情综合色婷婷啪啪六月天| 67194成I人在线观看线路1| 操逼视频一区| 亚洲色激情| 五月丁香久久丝袜啪啪| 色五月丁香婷婷在线观看| 99热综合| 99热国产免费| 99丁香五月| 久久婷婷五月丁香蜜桃网| 666555。COm毛片| 丁香婷婷五月综合欧美另类| 影音先锋毛片网站| 婷婷97狠狠干| 亚洲最大五月天成人网| 久热中文字幕| 大地9中文在线观看免费高清| 另类在线免费视频| 国产精品汇聚精彩第二页 - 高清完整版在线 - 青蛙AV | 婷婷六月啪啪| 99国产精品久久久久久久久久久| 亚洲在线网站| 五月丁香久久网| 精品无码av丁香五月激情| 色播丁香婷婷五月激情| 99热这里只有精| 久久久五月五丁香| 国产精品99久久久久久久女警| 嫩草免费视频| 丁香九月婷| 五月天婷婷色播综合在线| 五月天激情视频网站| 99在线视频免费| 久久婷婷影院| 色九月| 69久久久| 99ri在线观看视频| 日本激情五月天‘| 99自拍视频| 超碰国产在线播放| 欧美色色色色色色色色色色| 清色五月天| 天天综合精品| 人妻丰满精品一区二区A片| 日韩av手机在线观看| 操逼巨乳91| 五月婷婷AV| 亚洲色综合| 亚洲色婷婷色| 99九九在线视频| 国产人妻777人伦精品HD| 9 1大香蕉| 九九性视频| 3www激情| 99视频只有精品| 91在线资源| 精品人妻在线| 婷婷射图五月天| 亚洲中文字幕av| 婷婷9月天| 天天爽在线视频| SESE无码AV| 日韩九九| 99热只有精品在线| 婷婷丁香五月激情中文字幕版| 久久色五月天| 婷婷五月精品| 五月天婷婷六月| 翔田千里 50岁 无码| www.色色色com| 色婷婷五月天中文字幕| 久色资源| 国av网| 日韩一区二区在线播放| 超碰com| 亚洲婷婷综合视频| 开心婷婷五月花| 九九五月天| 色婷婷啪啪综合网| 79亚洲精品少妇| 99碰网站| 玖玖玖婷婷婷| 国产精品国产VA片国产| 极品少妇XXXX精品少妇偷拍| 啪啪综合| www.99情趣网| 天堂呦 呦百度搜索-百度搜索| 中文字幕激情综合| 国产三级秋霞| 日韩AV免费电影在线播放| 久草婷婷| 精久久色| 九九综合影音先锋| www.91.com处女在线直播| www.狠狠操| 色网五月婷婷| 欧美毛片www| 五月亭亭开心网| 五月婷婷激情在线| 色婷婷香蕉丁丁网| 色婷婷六月| 激情婷婷色小说| 色情五月婷婷| 精品思思久久| 中文字幕在线观看视频www| 国产色99| 五月婷婷六月色| 五月天色色色网| 婷婷丁香激情五月| 噜噜在线| 9久热在线精品| 亚洲AV激情五月综合网| 久操无码| 99ri在线视频| 欧美丁香婷婷五月| 亚洲综合激情五月天婷婷| 91一起操| www.超碰在线| 五月天激情久久| 7777激情基地| 人妻精品一区二区三区| 噜综合| 激情网五月天| 四虎成人精品永久免费AV九九| 亚洲婷婷久久综合| 久久92| 激情综合在线观看| 六月婷婷最新网址| 狠狠的日| 91岛国片| www.五月天色色.com| 97欧美在线| 色欲午夜无码久久久久久张津瑜 | 狠狠看狠狠| 五月丁香影院| 丁香六月婷婷综合麻豆| 久99久视频精品| 99久久大片| 成人人操| 99无码超碰| 美欧成人视频| 色婷婷色99国产综合精品| 色呦呦免费观看| 五月天色色网站| 99久热在线精品| 婷婷五月天激情小说| 五月婷婷丁香综合| 五月天激情小说网| 国精产品一区二区三区| 国产精品99久久久久久久女警| 亚洲AAAA网| 超碰婷婷五月| 欧美va在线观看| 婷婷五月综激情| 天天日综合| 春色激情第四色| 久久人人添人人爽添人人片αV| 色色哒五月婷婷六月丁香| 色婷婷播放| 婷婷激情综合| 欧美色97| 五月天综合| 日日操天天爽| 激情综合网址| 五月丁香狠狠爱| 美女va| 日本强伦片中文字幕免费看| 狠狠高潮精品亚洲1| 久久性爱视频| 香蕉97碰碰碰欧美| 欧美日韩成人一区二区| 另类综合激情| 99热久久日本| 99视频在线| 99热这里只有免费精品| 国产激情在线| 99国产精品久久久久久久久久久| 亚洲色另类| 成人精品一区二区三区四区五区 | www.色综合| 五月丁香色色综合| 人人爽网| www.天天日| 这里只有精品在线视频精品| 性爱综合网| 99久久网站| 都市激情蜜桃婷婷五月天| 色婷婷精品视频在线播放| 熟女激情网| 亚洲 无码 中文字幕 中出 | 天天操夜夜操| 久久99这里只有精品| 五月天激情日色在线| 色五月激情| 五月第四色| 久久久www| 大香蕉在线99热| 淫视馆aV二区一区| 五月天成人在线| 黄色三级日本| 99精品视频免费观看近期发布| 婷婷成人五月天| 久久视这里只有精品| 丁香婷婷综合色五月激情国产基地| 欧美色婷婷| 色婷婷视频综合| 欧美在线视频99| 色久99| 无码人妻精品一区二区蜜桃色欲| 欧美综合激情丁香五月六月婷| 激情99热| 日本三级中文字幕| 九九热青青草| 色婷婷丁香五月| 中文资源在线a| 五月丁香成人版| 91色逼| 九九热在线视频| 荷兰av一级| 亚洲九九99精品视频在线播放| 99操视频| 玖玖午夜视频| 色欲色香,www,com| 色色五月婷婷| 天天插天天日| 五月网在线| 婷婷天天舔| 色播播婷婷| 久久AV无码精品人妻系列试探| 4399成人黄A片| 六月色婷婷| 亚洲六月色| 无码激情精品色婷婷久久久久| 欧美这里只有精品| 五月天丁香婷| 欧美亚洲成人在线| 影音先锋男人AV资源站| www激情| 婷婷五月天福利| 婷婷色Av| 玖热精品综合视频| 中文字幕欧美精品久久| 亚洲啪视频| 亚州激情网| 97色色婷婷| 亚洲色婷婷99一9|| 亚洲精品V天堂中文字幕| 自拍盗摄 另类| 亚洲欧洲色色| www.com任你艹| 激情综合五月丁香六月婷婷| 久久精品五月天| 五月丁香六月情| 九九热手机在线视频| 插插干干干色| 69午夜成人影片| 思思久久精品视频| 深爱激情小说五月婷婷| 夜夜操少妇| 五月色导航| 激情婷婷丁香五月| 丁香五月在线视频| 五月丁香久久综合| 操日视频| 92久久| 变态另类9| 超碰操网| 在线观看的av| 插逼综合网| 玖玖玖婷婷婷| 日韩高清久久| 极品人妻VIDEOSSS人妻| 第九色区av天堂| 99热精品在线在线| 99热一区| 香焦网五月天| 男女99免费视频| 超碰在线9| 久久这里有精品| 人人摸人人澡人人| 五月丁香操婷逼| 超碰在线免费9| 激情五月综合网最新 | 五月婷婷就去色| 日韩综合久久| 天天色·欧美| 亚洲VA在线| 色噜噜在线| 免费不卡狠操美女视频网 | 国产做A爰片毛片A片美国| 91久操| 色欧美一级| 91seAV| 国产午夜精品一区二区| 9191avse| 婷婷五月天激情在线观看| 久久婷中文字幕| 性爱激情五月| 久久天堂色| 亚洲成人AV在线观看| 婷婷四月 成人 狠狠干| 深爱激情五月天婷婷网| 丁香婷婷月| www.99热| 日本色色色色色色色色一色二色| 五月丁香婷婷激情图片| www.婷婷五月天| 99成人精品六| 婷婷 月 丁香| 久久9热| 五月婷久久| 五月停亭久久电影| 成片免费播放| 99re这里有精品手机在线| 婷婷99狠狠| 成片免费播放| WWW.久久99| 五月久熟女| 亚洲色婷婷网站| 久热免费视频| 超碰人人色| 激情五月天婷婷播播久久综合91| 久热这里| 96自拍视频九色在线观看| 日本色婷婷| 香蕉久久国产AV一区二区| 激情爱爱网站超大免费| 五月丁香六月欧美综合网站| 久久狠狠干| 色婷婷综合久久久久| 精品五月天| 中文字幕丰满乱孑伦无码专区| 亚洲色啪| 色五月婷婷丁香婷婷| 激情五月丁香五月综合| 色噜噜狠狠插综合| 日韩av在线播放综合网| 五月丁香色六月激情干大屄| 在线观看免费狠狠色丁香香综合 | 热日韩欧美| 亚洲激情免费视频观看| 超碰人人操| 婷色五月天| 人人97碰| 99九九热在线观看| 99re这里只有精品9| 五月花免费视频| 天天肏在线观看| 99色热| 久久99最新| 久久综合五月天激情小说网站 | 久久九九在线视频| 五月色亭丁香| 97人人操| 久久99免费视屏| 成人国产欧美大片一区| 五月天婷婷高清无码| 久久婷婷五月激情综合| 在线播放成人网站| 开心婷婷中文字慕| 精品人妻在线免费观看| 思思热99热| 青996青| 超碰国产在线观看| 五月婷婷色情| 国产古装妇女野外A片| 另类综合婷婷五月天欧美视频| 亚洲综合一区二区| 日本三级日本三级99| 在线观看玖玖资源免费观看| 九九色天堂| 99热在这里只有精品| 欧美色小说婷婷| 国产黄色av| 综合色播| 久久思思精品| 九九色综合| 亚洲丁香花色| 五月婷婷 欧美| 五六月婷婷久久| 91九色熟女| 2023天天日夜夜爽| 《久久综合九色综合97婷婷| 久热伊人| 五月丁香婷婷激情澎湃四射| 99碰超| 国产小精品| 色狠狠综合入口| 中文字幕在线免费观看视频| 五月丁香花成人社区| 人人操人人爰人人一天天碰夜夜拍夜夜爽-中国A级毛片天天看天天谢… | 色婷婷内射| 日韩美一级毛卡片| 思思热99热| 五月开心深爱激情网| 任你艹| 午夜微拍福利| 色婷婷视频在线| 色婷婷小说| 亚洲中文字幕网| 婷婷激情久久| 五月丁香婷婷六月| 开心五月婷| 国产成人+综合亚洲+天堂| 激情五月黄色| 国产激情久久久| 另类五月激情| 久久这里只有精品07 | 欧美日韩一a.无| 亚洲视频在线网| 99自拍视频在线| 操人妻视频91| 人妻乱码久久久| 91视频精品99| 最近中文字幕在线中文视频| 夜夜骑天天玩天天日| 激情久久久| 亚洲AV成人在线观看| 色综合九九| 91人人爽久久涩噜噜噜| 婷婷久久国产视频| 日韩国产在线免费观看| 天天日天天插| 99在线精品视频免费观看20| 天搞天天天天天| 久久青青日本视频| 久久综合九色综合97婷婷| 丁香五月婷婷在线观看| www.91.com黄| 色婷婷六月| 婷婷激情六月| 欧美日本黄色| 丁香成人色情五月天| 亚洲视频a| 20253AV| 大地9中文在线观看免费高清| 九九自拍网| sisi热国产| 激情久久 婷婷| 国产黄大片在线观看画质优化 | 婷婷色五月天在线观看| www天天色天天射| 99热精品综合| 色婷婷成人| 91趴趴| seuuu婷婷| 欧美性猛交AAAA片黑人 | 天天色播| 婷婷五月丁香六月| 思思久热6| 亚洲爱爱无码婷婷色五月| 9久久久久| 日韩三及成人AV片| 天天婬色综合| 最近中文字幕大全免费版在线 | 思思热视频在线| 丁香五月婷婷五月天| 亚洲第精品| 久草A片| 91人妻视频| 91色久| 97在线/亚洲| 丁香五月婷婷久久久| 成人无码免费一区二区中文| 久久ww| 天天干天干| 在线观看玖玖资源免费观看| 激情五月婷婷色综合| 婷婷丁香五月天色播网站| 九九亚洲无码| 玖玖色资源| 8050一级网| 国产免费性爱| 日本色色色色色色色色一色二色| av狠狠操| 大香蕉久久久久| 六月丁香综合| 色色欧美色色| 日本色色色| 久久婷婷五月天| 97人人草| 日韩啪啪视频| 九九热这里只有精品9| 激情综合网,婷婷五月天| 亚洲欧洲自拍图片专区五月天| 97色片| 99操碰| 啪啪啪综合网| 久久精品噜噜噜成人A∨色欲| 久久五月天丁香花| 欧美操我| 色五月婷婷影视| www.久久爱.c n| 婷婷五月电影| 99色这里| 人妻系列久久久久久久久久久| 天天草狠狠擦| 亚洲综合色丁香婷婷六月| 婷婷色五月天综合网| 激情久久综合网| 婷婷深爱五月丁香网| 丁香五月婷婷六月婷| 丁香久久五月天视频在线观看| 天天爽人人爽| va亚洲中文在线| 婷婷五月天综合色| 四月丁香五月婷婷久久| 色五月婷婷综合在线| 色综合综合色| 婷婷丁香成人| 涩五月婷婷| 操B视频在线播放| 人妻熟女一区二区AV| 好叼操在线观看| 欧美婷婷丁香五月| 99 re视频一区| 99re这里只有精品9| www.夜夜操.con| 激情五月婷婷啪啪| 五月综合婷婷久久在线| 人妻久久久久久久 | 久久黄色免费视频| 大伊久久| 狠狠人人婷婷| 第四色激情网| 国自产拍偷拍精品啪啪一区二区| 99热午夜精品| 伊人网啪啪| 久久99久久99精品免观看粉| 狠狠色五月激情| 狠狠干狠狠干狠狠干狠狠干| 欧美va在线| 99热在线中文字幕| 久久性爱视频| 艹色18p| 久月婷婷| 色狠狠综合网| 99这里只有| 欧美内射AA| 精品一二三区久久AAA片| 第四色色六月色综合| 色五月婷婷影院| 激情网站五月| 欧美综合激情五月天| 色欲丁香| 国产欧美日韩综合精品一区二区| 五月婷婷www| 超碰av在线| 五月婷六月丁香| 婷婷五月色情| 99精品在线| 午夜]香婷婷深深爱| 丁香五月综合激情啪啪| 色婷婷深爱五月| 国内外色色色色色成人视频| www.99在线| 一本狠婷婷综合| 中文字幕97超级碰| 婷婷色系婷色| 激情五月天婷婷| 色婷婷五月天| 91丁香| 午夜美女人啪最红院| 中文乱子伦视频| 色五月激情| 亚洲九N| 久草性爱| 青青草日本亚洲| 激情婷婷久久| 在线观看免费观看在线9久| 国产免费av在线| 97色碰| 停停五月天激情网| 丁香五月婷婷影院| 五月丁香啪啪网| 国产SUV精品一区二区6| 97色色综合| 午夜精品777| 婷婷开心综合人妻小说网址| 激情第四色| 激情综合自拍五月婷婷色五月| 99.N在线视频| 色五月综合在线| 五月婷婷精品无在线| 欧美性爱五月天| 丁香五月熟女| 26uuu四色| 婷婷五月草| 天天插天天插| 久久久精品99| 美女婷婷六月色| 黄网免费观看| 国产99久9在线+|+传媒| 天天搡日日搡aaaaⅩ| www开心激情网| 欧美黄色AA片哗啦啦啦| 全部老头和老太XXXXX| 九九自拍网| 五月花激情| 丰满少妇猛烈A片免费看观看| 日韩超碰在线| AV人人操| 婷婷五月天VI| 激情六月丁香综合| 激情五月天 婷婷| 99视频这里有精品| 五月天色色色| 可以免费观看的AV| 五月天操逼激情| 凹凸7777操操操| 婷婷五月色综合| 五月丁香A片| 九九久久99| 五月天婷婷综合网| 精品99视频| 五月天婷婷在线播放免费| 久久久av久av久片一区二区| 人妻爽爽爽久久久久久久久| 婷婷五月天激情小说| 成人国产网| \\五月天婷婷激情| 日本色色图| 五月天婷婷丁香人人操91| 日韩av干| 搡BBBB搡BBB搡18| 情色婷婷五月天| 激情五月天小说网| 91中文狠狠综合| 久久AAAA片一区二区| 99ri视频| 激情婷婷丁香五月天| 亚洲成人va| 狠狠干狠狠干| 大香蕉九九| 激情綜合網址| 影音先锋91资源站| 狠狠狠激情网| 开心激情婷婷| 六月亚洲婷婷6月中文字幕| 色屌丝中文字幕| 成人性生活免费观看。| 五月天色婷婷图片| 8090在线影视少妇| 丁香丁香激情网| 五月婷婷欧美| 激情久久肏屄视频| 五月婷婷偷拍| 婷婷久久五月天丁香| 99在线免费视频| 久久九九囯产| 人人草人人视| 十二区无码| 色天天综合| 在线视频九色97| 久久只这里有精品| 日韩黄在免| 丁香五月婷婷色情综合| 97操碰视频| 婷婷五月激情欧美| 人妻AV在线观看| 五月丁香婷婷综合久久| 91精品无码| 久久色婷婷| 综合久| 秋霞免费三级片| www.狠狠| 久久丁香婷婷五月天| 亚洲综合五月天婷婷丁香| 婷婷色女| 久久9精品| 亚洲激情av| 天天爱天天操| 五月婷婷天天色| 精品人妻午夜一区二区三区四区| 91啪级电影| 啪啪日本欧美| 996热re视频精品视频这里| 99久久97| 日韩无码色色| 亚洲4区国产欧美| 超碰猛烈的性猛交| 亚洲六月婷婷| 婷婷丁香色五月| 久久久色婷婷五月天| 极品人妻VIDEOSSS人妻| 婷婷日日天天| 最近中文字幕2019视频1| 9l视频自拍9l九色成人| 久久久com| 色五月婷婷大| 日本天堂网站99| 丁香五月电影| 五月婷婷深深爱| 天天干天天干天天| 97操操操| 五月婷婷大香蕉| 色狠狠六月| 九九婷婷热| 狠狠操狠狠操| 色色激情网| 日日操日日撸| www色五月| 思思热在线| 久久久久人妻中文| 国内精品免费一区二区2009| 久久激情综合| 天天弄天天爽| 四川女人毛多水多A片| 天天天摸夜夜夜玩| 狠狠综合区| 亚洲另类婷婷综合| 操操操av| 精品五月花| 激情久久久久久久久久| 丁香五月人妻| 色噜噜婷婷| 99热.com| 久久婷婷五月天懂色| 久久久国产精品黄毛片| 大香蕉综合视频在线| 4399伦理午夜| 九九热在线视频| 天天日夜夜爽。| 99热超碰人| 成人精品在线| 五月开心婷婷| 69精品无码一区二区三区| 亚洲国产精品VA在线看黑人| 亚洲综合在线播放| 日本色视| 激情久久 婷婷| 99爱精品| 色色色综合| 专区无日本视频高清8| 十二区无码| 曰日爽日日操| 久久综合性| 婷婷97色| 激情综合网激情五月天| 亚洲色婷婷色| 青青久久91| 久久免费操| www色婷婷com| 伊人婷婷大香蕉| 久久在线视频免费观看| 五月天社区狠狠| 欧美日韩成人在线网| 思思热视频| 欧美婷婷综合| 色色色在线观看| 三人荫蒂添的好舒服A片| 天天干天天插| 欧美群妇大交乱婬网| 大香人妻| 五月婷婷六月丁香| 欧美色色色色色| 丁香综合伊人| 久七香蕉| 少妇人妻偷人精品无码视频新浪| www.婷婷.com| 天堂婷婷五月在线| 婷五月天| 色99视频| 欧美五月婷婷| 色~性~乱~伦~噜| 影音先锋男人站,影音先锋男人色资源网,影音先锋AV最新资源站,影音先锋AV资源 | 综合婷婷五月丁香在线观看| 香蕉久久六月| 99日韩| 99爱在线视频观看| 久久欧洲久久| 免费看无码视频A级| 九九在线精品| 五月天中文字幕在线婷婷| 91色色色18| WWW.HENHENL.| 日韩成人av在线| 激情五月视频在线婷婷| 伊人大香五月天| 久99久视频免费观看| 久久久99精品免费观看| 97香蕉碰碰人妻国产欧美| 天天情色五月天| 伊人99热| 五月丁香六月婷婷综合| 亚洲最大成人综合网720P| 久99热| 五月 成人 婷婷| 六月婷婷久久大全| 成人欧美一区二区三区在线观看| 99九九99九九九视频精彩| 色五月天婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷 | 97在线/亚洲| 婷婷五月激情在线视频| 五月丁香激情综合| 久久久久激情网| 久操婷婷| 91操人| 国产内射婷婷| 婷婷六月综合激情| 99性视频| 91久久久久久久久久18| 国成人网| 99这里| 青青青在线视频国产| 久久久久久五月天| 亚洲色色香蕉| 欧美成人热| 99 热国产在| 丁香色影院| 日韩五月婷婷久久| 色狠狠色噜噜AV天堂五区| 极品另类| 九九九九这里只有精品| 五月天婷婷丁香视频| 色之综合网| 国产黄色大片| 99国产精品白浆在线观看免费| 五月天婷婷激情在线色图| 大香蕉伊人99| 五月天成人在线播放丁香| 2023天天日夜夜爽| aaaaaa片| 狠狠色五月激情| 99综合久久| 成人综合AV| 九玖欧洲亚洲| 狠狠穞A片一區二區三區| 丁香五月婷婷社区| 综合亚洲六月婷婷在线| 99久久婷婷五月天| www激情| 丁香久久综合|