• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    深度神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀

    2017-03-27 21:51:30胡聰叢
    電子技術(shù)與軟件工程 2017年4期
    關(guān)鍵詞:深度神經(jīng)網(wǎng)絡(luò)

    胡聰叢

    摘 要 深度神經(jīng)網(wǎng)絡(luò)已經(jīng)在語音、圖像、文本等信息處理領(lǐng)域取得了巨大的成果,本文簡述其起源及成果,并介紹現(xiàn)代深度神經(jīng)網(wǎng)絡(luò)模型的三種基本結(jié)構(gòu):序列到序列神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、對抗式生成網(wǎng)絡(luò),最后展望了深度神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域所面臨的挑戰(zhàn)。

    【關(guān)鍵詞】深度神經(jīng)網(wǎng)絡(luò) 序列到序列網(wǎng)絡(luò) 卷積網(wǎng)絡(luò) 對抗式生成網(wǎng)路

    1 深度神經(jīng)網(wǎng)絡(luò)起源

    人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks,ANN)研究是人工智能領(lǐng)域的一個(gè)重要分支,在對生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其機(jī)制研究的基礎(chǔ)上,構(gòu)建類似的人工神經(jīng)網(wǎng)絡(luò),使得機(jī)器能直接從大量訓(xùn)練數(shù)據(jù)中學(xué)習(xí)規(guī)律。其研究最早可以追溯到1957年Frank Rosenblatt提出的感知機(jī)模型,他在《The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain》建立了第一個(gè)人工神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型,19世紀(jì)80年代末期反向傳播(Back Propagation)算法的發(fā)明更是帶來了ANN的學(xué)習(xí)熱潮,但由于理論分析難度較大,訓(xùn)練方法及技巧尚不成熟,計(jì)算機(jī)運(yùn)算能力還不夠強(qiáng)大,這個(gè)時(shí)期ANN結(jié)構(gòu)較為簡單,大部分都可等價(jià)為單隱層神經(jīng)網(wǎng)絡(luò),主要是進(jìn)行淺層學(xué)習(xí)(Shallow Learning)研究。

    2006年Geoffrey Hinton在《A Fast Learning Algorithm for Deep Belief Nets》中提出了逐層貪婪預(yù)訓(xùn)練(layerwise greedy pretraining),顯著提高了MNIST手寫數(shù)字識別的準(zhǔn)確率,開創(chuàng)了深度學(xué)習(xí)的新方向;隨后又在《Reducing the Dimensionality of Data with Neural Networks》中提出了deep autoencoder結(jié)構(gòu),在圖像和文本降維實(shí)驗(yàn)上明顯優(yōu)于傳統(tǒng)算法,證明了深度學(xué)習(xí)的正確性。以這兩篇論文為開端,整個(gè)學(xué)術(shù)界掀起了對深度學(xué)習(xí)的研究熱潮,由于更多的網(wǎng)絡(luò)層數(shù)和參數(shù)個(gè)數(shù),能夠提取更多的數(shù)據(jù)特征,獲取更好的學(xué)習(xí)效果,ANN模型的層數(shù)和規(guī)模相比之前都有了很大的提升,被稱之為深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks,DNN)。

    2 深度神經(jīng)網(wǎng)絡(luò)的現(xiàn)代應(yīng)用

    2010年以來,隨著理論不斷創(chuàng)新和運(yùn)算能力的增長,DNN被應(yīng)用到許多領(lǐng)域并取得了巨大的成功。2011年微軟和谷歌的研究員利用DNN將語音識別的錯(cuò)誤率降低了20%~30%;2012年在ImageNet圖像識別挑戰(zhàn)賽(ILSVRC2012)中DNN更是將識別錯(cuò)誤率從26%降到了15%;2016年3月DeepMind團(tuán)隊(duì)研發(fā)的圍棋軟件AlphaGO以4:1的巨大優(yōu)勢戰(zhàn)勝了世界圍棋冠軍李世石,2017年1月初AlphaGO的升級版Master以60:0的戰(zhàn)績擊敗了數(shù)十位中日韓圍棋高手。當(dāng)前對DNN的研究主要集中在以下領(lǐng)域:

    2.1 語音識別領(lǐng)域

    微軟研究院語音識別專家鄧立和俞棟從2009年開始和深度學(xué)習(xí)專家Geoffery Hinton合作,并于2011年宣布推出基于DNN的識別系統(tǒng),徹底改變了語音識別的原有技術(shù)框架;2012年11月,百度上線了第一款基于DNN的語音搜索系統(tǒng),成為最早采用DNN技術(shù)進(jìn)行商業(yè)語音服務(wù)的公司之一;2016年微軟使用循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型(Recurrent Neural Network based Language Modeling,RNN-LM)將switchboard的詞識別錯(cuò)誤率降低到了6.3%。

    2.2 圖像識別領(lǐng)域

    早在1989年,YannLeCun和他的同事們就提出了卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Networks,CNN)結(jié)構(gòu)。在之后的很長一段時(shí)間里,CNN雖然在諸如手寫數(shù)字問題上取得過世界最好的成功率,但一直沒有被廣泛應(yīng)用。直到2012年10月,Geoffrey Hinton在ILSVRC2012中使用更深的CNN將錯(cuò)誤率從26%降到15%,業(yè)界才重新認(rèn)識到CNN在圖像識別領(lǐng)域上的巨大潛力;2012年谷歌宣布基于CNN使得電腦直接從一千萬張圖片中自發(fā)學(xué)會貓臉識別;2013年DNN被成功應(yīng)用于一般圖片的識別和理解;2016年DeepMind團(tuán)隊(duì)基于CNN研發(fā)了圍棋AI,并取得了巨大成功。

    2.3 自然語言處理領(lǐng)域

    2003年YoshuaBengio等人提出單詞嵌入(word embedding)方法將單詞映射到一個(gè)矢量空間,然后用ANN來表示N-Gram模型;2014年10月NEC美國研究院將DNN用于自然語言處理(Natural language processing,NLP)的研究工作,其研究員Ronan Collobert和Jason Weston從2008年開始采用單詞嵌入技術(shù)和多層一維卷積的結(jié)構(gòu),用于POS Tagging、Chunking、Named Entity Recognition、Semantic Role Labeling等四個(gè)典型NLP問題;2014年IlyaSutskever提出了基于LSTM的序列到序列(sequence to sequence,seq2seq)網(wǎng)絡(luò)模型,突破了傳統(tǒng)網(wǎng)絡(luò)的定長輸入向量問題,開創(chuàng)了語言翻譯領(lǐng)域的新方向;2016年谷歌宣布推出基于DNN的翻譯系統(tǒng)GNMT(Google Neural Machine Translation),大幅提高了翻譯的精確度與流暢度。

    3 深度神經(jīng)網(wǎng)絡(luò)常見結(jié)構(gòu)

    DNN能夠在各領(lǐng)域取得巨大成功,與其模型結(jié)構(gòu)是密不可分的,現(xiàn)代DNN大都可歸納為三種基本結(jié)構(gòu):序列到序列網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、對抗式生成網(wǎng)絡(luò),或由這三種基本網(wǎng)絡(luò)結(jié)構(gòu)相互組合而成。

    3.1 序列到序列網(wǎng)絡(luò)

    序列到序列網(wǎng)絡(luò)的最顯著特征在于,它的輸入張量和輸出張量長度都是動態(tài)的,可視為一串不定長序列,相比傳統(tǒng)結(jié)構(gòu)極大地?cái)U(kuò)展了模型的適應(yīng)范圍,能夠?qū)π蛄修D(zhuǎn)換問題直接建模,并以端到端的方式訓(xùn)練模型。典型應(yīng)用領(lǐng)域有:自動翻譯機(jī)(將一種語言的單詞序列轉(zhuǎn)換為另一種語言的單詞序列),語音識別(將聲波采樣序列轉(zhuǎn)換為文本單詞序列),自動編程機(jī)研究(將自然語言序列轉(zhuǎn)換為語法樹結(jié)構(gòu)),此類問題的特點(diǎn)在于:

    (1)輸入和輸出數(shù)據(jù)都是序列(如連續(xù)值語音信號/特征、離散值的字符);

    (2)輸入和輸出序列長度都不固定;

    (3)輸入輸出序列長度沒有對應(yīng)關(guān)系。

    其典型如圖1所示。

    網(wǎng)絡(luò)由編碼器(encoder)網(wǎng)絡(luò)和解碼器網(wǎng)絡(luò)(decoder)兩部分連接構(gòu)成:

    3.1.1 編碼器網(wǎng)絡(luò)

    編碼器網(wǎng)絡(luò)通常是一個(gè)遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN),網(wǎng)絡(luò)節(jié)點(diǎn)一般使用長短期記憶模型(Long Short Term Memory,LSTM)實(shí)現(xiàn),序列中里第t個(gè)張量xt的輸出yt依賴于之前的輸出序列(y0、y1…yt-1),輸入序列(x0、x1、x2…)從前至后依次輸入網(wǎng)絡(luò),整個(gè)序列處理完后得到最終的輸出Y以及各層的隱藏狀態(tài)H。

    3.1.2 解碼器網(wǎng)絡(luò)

    解碼器網(wǎng)絡(luò)是一個(gè)與編碼器網(wǎng)絡(luò)結(jié)構(gòu)相同的RNN網(wǎng)絡(luò),以解碼器的最終輸出(Y,H)為初始輸入,使用固定的開始標(biāo)記S及目標(biāo)序列G當(dāng)作輸入數(shù)據(jù)進(jìn)行學(xué)習(xí),目標(biāo)是使得在X輸入下Y和G盡量接近,即損失度函數(shù)f(X)取得最小值。

    解碼器網(wǎng)絡(luò)屬于典型的監(jiān)督學(xué)習(xí)結(jié)構(gòu),可以用BP算法進(jìn)行訓(xùn)練,而編碼器網(wǎng)絡(luò)的輸出傳遞給了解碼器網(wǎng)絡(luò),因此也能同時(shí)進(jìn)行訓(xùn)練。網(wǎng)絡(luò)模型學(xué)習(xí)完畢后,將序列X輸入編碼器,并將起始標(biāo)記S輸入解碼器,網(wǎng)絡(luò)就會給出正確的對應(yīng)序列。

    3.2 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)將傳統(tǒng)圖像處理的卷積運(yùn)算和DNN相結(jié)合,屬于前饋神經(jīng)網(wǎng)絡(luò),是在生物視覺皮層的研究基礎(chǔ)上發(fā)展而來的,在大型圖像處理上有出色表現(xiàn)。CNN一般由多個(gè)結(jié)構(gòu)相似的單元組成,每個(gè)單元包含卷積層(convolution layer)和池化層(poolinglayer),通常網(wǎng)絡(luò)末端還連接全聯(lián)通層(fully-connected layer,F(xiàn)C)及Softmax分類器。這種結(jié)構(gòu)使得CNN非常適合處理二維結(jié)構(gòu)數(shù)據(jù),相比其它DNN在圖像處理領(lǐng)域上具有天然優(yōu)勢,CNN的另一優(yōu)勢還在于,由于卷積層共享參數(shù)的特點(diǎn),使得它所需的參數(shù)數(shù)量大為減少,提高了訓(xùn)練速度。其典型結(jié)構(gòu)如圖2所示:

    3.2.1 卷積層(Convolutional layer)

    卷積層由若干卷積核構(gòu)成,每個(gè)卷積核在整個(gè)圖像的所有通道上同時(shí)做卷積運(yùn)算,卷積核的參數(shù)通過BP算法從訓(xùn)練數(shù)據(jù)中自動獲取。卷積核是對生物視覺神經(jīng)元的建模,在圖像局部區(qū)域進(jìn)行的卷積運(yùn)算實(shí)質(zhì)上是提取了輸入數(shù)據(jù)的特征,越深層的卷積層所能提取到的特征也越復(fù)雜。例如前幾個(gè)卷積層可能提取到一些邊緣、梯度、線條、角度等低級特征,后續(xù)的卷積層則能認(rèn)識圓、三角形、長方形等稍微復(fù)雜的幾何概念,末尾的卷積層則能識別到輪子、旗幟、足球等現(xiàn)實(shí)物體。

    3.2.2 池化層(Poolinglayer)

    池化層是卷積網(wǎng)絡(luò)的另一重要部分,用于縮減卷積層提取的特征圖的尺寸,它實(shí)質(zhì)上是某種形式的下采樣:將圖像劃分為若干矩形區(qū)塊,在每個(gè)區(qū)塊上運(yùn)算池化函數(shù)得到輸出。有許多不同形式的池化函數(shù),常用的有“最大池化”(maxpooling,取區(qū)塊中數(shù)據(jù)的最大值)和“平均池化”(averagepooling,取區(qū)塊中數(shù)據(jù)的平均值)。池化層帶來的好處在于:

    (1)減小了數(shù)據(jù)尺寸,降低參數(shù)的數(shù)量和計(jì)算量;

    (2)模糊了各“像素”相對位置關(guān)系,泛化了網(wǎng)絡(luò)識別模式。

    但由于池化層過快減少了數(shù)據(jù)的大小,導(dǎo)致,目前文獻(xiàn)中的趨勢是在池化運(yùn)算時(shí)使用較小的區(qū)塊,甚至不再使用池化層。

    3.3 生成式對抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)

    生成式對抗網(wǎng)絡(luò)最初由Goodfellow等人在NIPS2014年提出,是當(dāng)前深度學(xué)習(xí)研究的重要課題之一。它的目的是收集大量真實(shí)世界中的數(shù)據(jù)(例如圖像、聲音、文本等),從中學(xué)習(xí)數(shù)據(jù)的分布模式,然后產(chǎn)生盡可能逼真的內(nèi)容。GAN在圖像去噪,修復(fù),超分辨率,結(jié)構(gòu)化預(yù)測,強(qiáng)化學(xué)習(xí)中等任務(wù)中非常有效;另一重要應(yīng)用則是能夠在訓(xùn)練集數(shù)據(jù)過少的情況下,生成模擬數(shù)據(jù)來協(xié)助神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練。

    3.3.1 模型結(jié)構(gòu)

    GAN網(wǎng)絡(luò)典型結(jié)構(gòu)如圖3所示,一般由兩部分組成,即生成器網(wǎng)絡(luò)(Generator)和識別器網(wǎng)絡(luò)(Discriminator):

    (1)生成器網(wǎng)絡(luò)的目標(biāo)是模擬真實(shí)數(shù)據(jù)的分布模式,使用隨機(jī)噪聲生成盡量逼真的數(shù)據(jù)。

    (2)識別器的目標(biāo)是學(xué)習(xí)真實(shí)數(shù)據(jù)的有效特征,從而判別生成數(shù)據(jù)和真實(shí)數(shù)據(jù)的差異度。

    3.3.2 訓(xùn)練方法

    GAN采用無監(jiān)督學(xué)習(xí)進(jìn)行訓(xùn)練,輸入向量z一般由先驗(yàn)概率概率pz(z)生成,通過生成器網(wǎng)絡(luò)產(chǎn)生數(shù)據(jù)G(z)。來自訓(xùn)練集的真實(shí)數(shù)據(jù)的分布為pdata (x),GAN網(wǎng)絡(luò)的實(shí)質(zhì)是學(xué)習(xí)該特征分布,因此生成的數(shù)據(jù)G(z)必然也存在對應(yīng)的分布pg (z),而識別器網(wǎng)絡(luò)則給出數(shù)據(jù)來自于真實(shí)數(shù)據(jù)的概率D(x)以及D(G(z) )。整個(gè)訓(xùn)練過程的實(shí)質(zhì)就是生成器網(wǎng)絡(luò)和識別器網(wǎng)絡(luò)的博弈過程,即找到

    4 深度神經(jīng)網(wǎng)絡(luò)研究展望

    DNN雖然在各大領(lǐng)域都取得了重大的成功,甚至宣告了“智能時(shí)代”的來臨,但是與人類大腦相比,DNN在許多方面仍有顯著差距:

    4.1 識別對抗樣本的挑戰(zhàn)

    對抗樣本是指在數(shù)據(jù)集中添加微小的擾動所形成的數(shù)據(jù),這些數(shù)據(jù)能使網(wǎng)絡(luò)以極高的置信度做出錯(cuò)誤的判別。在網(wǎng)絡(luò)實(shí)際使用過程中會帶來非常大的問題,比如病毒制造者可能刻意構(gòu)造樣本來繞過基于DNN的安全檢查網(wǎng)絡(luò)。部分研究指出問題的根因可能在于DNN本身的高度非線性,微小的擾動可能在輸出時(shí)產(chǎn)生巨大的差異。

    4.2 構(gòu)造統(tǒng)一模型的挑戰(zhàn)

    DNN雖然在很多領(lǐng)域都取得了巨大的成功,但無論是序列到序列網(wǎng)絡(luò)、卷積網(wǎng)絡(luò)、還是對抗式生成網(wǎng)絡(luò)都只適應(yīng)于特定領(lǐng)域,與此相對的則是,人類只用一個(gè)大腦就能完成語音、文本、圖像等各類任務(wù),如何構(gòu)建類似的統(tǒng)一模型,對整個(gè)領(lǐng)域都是極大的挑戰(zhàn)。

    4.3 提高訓(xùn)練效率的挑戰(zhàn)

    DNN的成功依賴于大量訓(xùn)練數(shù)據(jù),據(jù)統(tǒng)計(jì)要使得網(wǎng)絡(luò)學(xué)會某一特征,平均需要50000例以上的樣本,相比而言人類只需要少量的指導(dǎo)即可學(xué)會復(fù)雜問題,這說明我們的模型和訓(xùn)練方法都還有極大的提高空間。

    參考文獻(xiàn)

    [1]ROSENBLATT F.The perceptron:a probabilistic model for information storage and organization in the brain [M].MIT Press,1988.

    [2]HINTON G E,OSINDERO S,TEH Y W.A fast learning algorithm for deep belief nets [J].Neural Computation,1989, 18(07):1527-54.

    [3]HINTON G E,SALAKHUTDINOV R R. Reducing the Dimensionality of Data with Neural Networks[J].Science, 2006,313(5786):504.

    [4]SEIDE F,LI G,YU D.Conversational Speech Transcription Using Context-Dependent Deep Neural Networks; proceedings of the INTERSPEECH 2011, Conference of the International Speech Communication Association, Florence,Italy,August,F(xiàn),2011 [C].

    [5]OQUAB M,BOTTOU L,LAPTEV I,et al. Learning and Transferring Mid-level Image Representations Using Convolutional Neural Networks; proceedings of the Computer Vision and Pattern Recognition,F(xiàn),2014 [C].

    [6]SILVER D,HUANG A,MADDISON C J,et al.Mastering the game of Go with deep neural networks and tree search [J].Nature,2016,529(7587):484.

    [7]XIONG W,DROPPO J,HUANG X,et al.The Microsoft 2016 Conversational Speech Recognition System[J].2016.

    [8]LECUN Y,BOTTOU L,BENGIO Y,et al. Gradient-based learning applied to document recognition [J].Proceedings of the IEEE,1998,86(11):2278-324.

    [9]BENGIO Y,DELALLEAU O, LE R N,et al.Learning eigenfunctions links spectral embedding and kernel PCA [J].Neural Computation,2004,16(10):2197-219.

    [10]LEGRAND J,COLLOBERT R.Recurrent Greedy Parsing with Neural Networks [J].Lecture Notes in Computer Science,2014,8725(130-44.

    [11]SUTSKEVER I,VINYALS O,LE Q V. Sequence to Sequence Learning with Neural Networks [J].Advances in Neural Information Processing Systems,2014,4(3104-12.

    [12]WU Y,SCHUSTER M,CHEN Z,et al. Google's Neural Machine Translation System:Bridging the Gap between Human and Machine Translation [J]. 2016.

    [13]GOODFELLOW I J,POUGETABADIE J,MIRZA M,et al.Generative Adversarial Networks [J].Advances in Neural Information Processing Systems,2014,3(2672-80.

    作者單位

    1.裝備學(xué)院昌平士官學(xué)校 北京市 102200

    2.遼寧大學(xué)生命科學(xué)院 遼寧省沈陽市 110031

    猜你喜歡
    深度神經(jīng)網(wǎng)絡(luò)
    基于多注意力多尺度特征融合的圖像描述生成算法
    基于VGGNet和多譜帶循環(huán)網(wǎng)絡(luò)的高光譜人臉識別系統(tǒng)
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測數(shù)學(xué)模型設(shè)計(jì)
    基于改進(jìn)SIFT特征和神經(jīng)網(wǎng)絡(luò)結(jié)合的場景識別
    軟件工程(2019年5期)2019-07-03 02:31:14
    基于Kaldi的語音識別算法
    深度神經(jīng)網(wǎng)絡(luò)在船舶自動舵中的應(yīng)用
    基于深度神經(jīng)網(wǎng)絡(luò)的低延遲聲源分離方法
    基于大數(shù)據(jù)網(wǎng)絡(luò)的運(yùn)動損傷評估模型研究
    試論基于深度神經(jīng)網(wǎng)絡(luò)的汽車車型識別問題
    基于深度神經(jīng)網(wǎng)絡(luò)的身份識別研究
    日本av免费视频播放| 五月天丁香电影| 一级毛片黄色毛片免费观看视频| 亚洲人成网站在线播| 国产精品久久久久久av不卡| 国产免费一级a男人的天堂| 久久久久久久国产电影| 国产一区二区在线观看av| 成人综合一区亚洲| av一本久久久久| 免费高清在线观看视频在线观看| 80岁老熟妇乱子伦牲交| 狂野欧美白嫩少妇大欣赏| 免费久久久久久久精品成人欧美视频| 91av网站免费观看| 丝瓜视频免费看黄片| av网站免费在线观看视频| 免费黄频网站在线观看国产| 两性午夜刺激爽爽歪歪视频在线观看 | bbb黄色大片| 两个人免费观看高清视频| 亚洲色图av天堂| 高清毛片免费观看视频网站 | 99热网站在线观看| 精品免费久久久久久久清纯 | 免费观看av网站的网址| 亚洲全国av大片| 色播在线永久视频| 亚洲人成伊人成综合网2020| 久久国产精品大桥未久av| 国产无遮挡羞羞视频在线观看| 国产成人啪精品午夜网站| 99国产精品一区二区蜜桃av | 狠狠精品人妻久久久久久综合| 国产精品98久久久久久宅男小说| 欧美成人免费av一区二区三区 | 亚洲国产av影院在线观看| 国产91精品成人一区二区三区 | 午夜激情av网站| 一级毛片电影观看| 欧美人与性动交α欧美精品济南到| 国产91精品成人一区二区三区 | 久久久久视频综合| 日韩成人在线观看一区二区三区| 一级毛片精品| 日本一区二区免费在线视频| 十八禁网站免费在线| 国产精品影院久久| 国产精品国产高清国产av | 90打野战视频偷拍视频| 国产无遮挡羞羞视频在线观看| 男男h啪啪无遮挡| 一本—道久久a久久精品蜜桃钙片| 欧美精品一区二区大全| 久久精品国产亚洲av香蕉五月 | 天天操日日干夜夜撸| 十八禁网站免费在线| 午夜精品国产一区二区电影| 成人永久免费在线观看视频 | 久久人妻熟女aⅴ| 亚洲视频免费观看视频| av线在线观看网站| 曰老女人黄片| 黄色毛片三级朝国网站| 91麻豆av在线| 久久精品亚洲av国产电影网| 啦啦啦 在线观看视频| 日韩欧美国产一区二区入口| 精品少妇一区二区三区视频日本电影| 国产一区二区 视频在线| 99热网站在线观看| 黄片大片在线免费观看| 成人免费观看视频高清| 国产日韩欧美亚洲二区| 国产日韩欧美视频二区| 国产aⅴ精品一区二区三区波| 满18在线观看网站| 久久久久久免费高清国产稀缺| 亚洲色图综合在线观看| 最新在线观看一区二区三区| 波多野结衣一区麻豆| 国产精品一区二区在线观看99| 久久精品熟女亚洲av麻豆精品| 精品一区二区三区视频在线观看免费 | 91成年电影在线观看| 国产片内射在线| 欧美日韩视频精品一区| 亚洲久久久国产精品| www.999成人在线观看| 国产免费av片在线观看野外av| 老熟妇仑乱视频hdxx| 97人妻天天添夜夜摸| 丝袜美足系列| 91大片在线观看| 亚洲国产av新网站| 69av精品久久久久久 | 色94色欧美一区二区| 久久精品国产a三级三级三级| 亚洲精品一卡2卡三卡4卡5卡| 99久久99久久久精品蜜桃| 男女高潮啪啪啪动态图| 国产精品成人在线| 视频区欧美日本亚洲| 成人av一区二区三区在线看| 成年人午夜在线观看视频| 亚洲精品美女久久av网站| 亚洲 欧美一区二区三区| 脱女人内裤的视频| 伦理电影免费视频| 男女高潮啪啪啪动态图| 免费av中文字幕在线| 国产成人啪精品午夜网站| av网站在线播放免费| 99热国产这里只有精品6| 午夜老司机福利片| 国产欧美日韩一区二区精品| 国产黄色免费在线视频| 51午夜福利影视在线观看| 成人三级做爰电影| 美女扒开内裤让男人捅视频| 亚洲第一欧美日韩一区二区三区 | 18禁裸乳无遮挡动漫免费视频| 久久精品国产99精品国产亚洲性色 | 免费在线观看影片大全网站| 黄色视频在线播放观看不卡| 一区二区三区乱码不卡18| 一本综合久久免费| 91精品国产国语对白视频| 日日摸夜夜添夜夜添小说| 精品第一国产精品| 成人影院久久| 亚洲精品久久午夜乱码| 男女高潮啪啪啪动态图| xxxhd国产人妻xxx| 大片免费播放器 马上看| 欧美日韩国产mv在线观看视频| 啦啦啦视频在线资源免费观看| 美女福利国产在线| 亚洲精品久久午夜乱码| 国产精品一区二区在线不卡| 老司机福利观看| 日韩大片免费观看网站| 18禁裸乳无遮挡动漫免费视频| 日本av免费视频播放| 亚洲精华国产精华精| 99riav亚洲国产免费| 久久精品国产亚洲av高清一级| 天天添夜夜摸| 精品久久久久久久毛片微露脸| 欧美激情极品国产一区二区三区| 国产欧美日韩一区二区三| 亚洲第一青青草原| 天天添夜夜摸| 欧美精品人与动牲交sv欧美| 欧美亚洲 丝袜 人妻 在线| 在线观看免费午夜福利视频| 国产精品美女特级片免费视频播放器 | 亚洲精品在线观看二区| 91成人精品电影| 久久av网站| 中文字幕人妻丝袜一区二区| 日韩视频一区二区在线观看| 日本a在线网址| 丝袜人妻中文字幕| 国产熟女午夜一区二区三区| 精品国产一区二区久久| 亚洲国产av影院在线观看| 熟女少妇亚洲综合色aaa.| 黄色丝袜av网址大全| 午夜激情久久久久久久| 最新美女视频免费是黄的| 99精品在免费线老司机午夜| 淫妇啪啪啪对白视频| 国产一区二区 视频在线| 成人影院久久| 亚洲情色 制服丝袜| 久久 成人 亚洲| 欧美日韩av久久| 国产日韩欧美亚洲二区| 欧美黑人欧美精品刺激| 亚洲九九香蕉| 国产精品av久久久久免费| 亚洲七黄色美女视频| 亚洲精华国产精华精| 在线av久久热| 99精品在免费线老司机午夜| 搡老熟女国产l中国老女人| 飞空精品影院首页| 精品视频人人做人人爽| 日韩视频一区二区在线观看| 最黄视频免费看| 国产人伦9x9x在线观看| 我要看黄色一级片免费的| 午夜视频精品福利| 少妇被粗大的猛进出69影院| 日韩欧美免费精品| 最黄视频免费看| 女警被强在线播放| 在线av久久热| 黑人猛操日本美女一级片| 亚洲精品国产一区二区精华液| 欧美国产精品一级二级三级| 久久久久久久久免费视频了| 精品高清国产在线一区| 99国产精品一区二区三区| 国产精品亚洲一级av第二区| 国产欧美日韩一区二区三区在线| 国产在线观看jvid| 男女床上黄色一级片免费看| 极品教师在线免费播放| 母亲3免费完整高清在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 成人国语在线视频| 国产aⅴ精品一区二区三区波| 一边摸一边抽搐一进一出视频| 亚洲国产欧美网| 757午夜福利合集在线观看| 成人av一区二区三区在线看| 在线观看一区二区三区激情| 欧美激情 高清一区二区三区| 国产免费现黄频在线看| 一级片免费观看大全| 两人在一起打扑克的视频| xxxhd国产人妻xxx| 女人爽到高潮嗷嗷叫在线视频| 不卡av一区二区三区| www.自偷自拍.com| 欧美激情 高清一区二区三区| 肉色欧美久久久久久久蜜桃| 欧美精品一区二区免费开放| 可以免费在线观看a视频的电影网站| 精品少妇久久久久久888优播| 国产成+人综合+亚洲专区| 老汉色∧v一级毛片| 少妇被粗大的猛进出69影院| 成在线人永久免费视频| 黄片大片在线免费观看| 成人国语在线视频| 在线观看免费高清a一片| 精品少妇一区二区三区视频日本电影| 亚洲美女黄片视频| 亚洲av电影在线进入| 后天国语完整版免费观看| 午夜成年电影在线免费观看| 咕卡用的链子| 美女视频免费永久观看网站| 国产xxxxx性猛交| 久久久国产精品麻豆| 欧美精品一区二区免费开放| av一本久久久久| 日日爽夜夜爽网站| 亚洲欧美激情在线| 韩国精品一区二区三区| 国产深夜福利视频在线观看| 亚洲成av片中文字幕在线观看| 99riav亚洲国产免费| 中文字幕色久视频| 国产成人免费无遮挡视频| 18禁观看日本| 五月开心婷婷网| 精品国产一区二区久久| 成人精品一区二区免费| 欧美日韩精品网址| 少妇精品久久久久久久| 亚洲久久久国产精品| 国产免费福利视频在线观看| 99riav亚洲国产免费| 黄色丝袜av网址大全| 黑人巨大精品欧美一区二区mp4| avwww免费| 国产免费福利视频在线观看| 一区在线观看完整版| 91大片在线观看| 丰满饥渴人妻一区二区三| 久久天堂一区二区三区四区| 天天操日日干夜夜撸| 午夜精品久久久久久毛片777| 国产激情久久老熟女| 午夜91福利影院| 999久久久国产精品视频| 亚洲av日韩精品久久久久久密| a在线观看视频网站| 男女高潮啪啪啪动态图| 国产亚洲av高清不卡| 80岁老熟妇乱子伦牲交| 69av精品久久久久久 | 亚洲精品中文字幕在线视频| 欧美激情 高清一区二区三区| 国产伦人伦偷精品视频| 成人国语在线视频| 一级毛片女人18水好多| 亚洲精品在线美女| 女人高潮潮喷娇喘18禁视频| 久久久欧美国产精品| 亚洲欧美一区二区三区黑人| 中文字幕人妻熟女乱码| 男女高潮啪啪啪动态图| 国产亚洲av高清不卡| 精品一品国产午夜福利视频| 久久久久精品人妻al黑| 99香蕉大伊视频| 欧美久久黑人一区二区| 日本黄色视频三级网站网址 | 日本欧美视频一区| 黄频高清免费视频| 亚洲免费av在线视频| 亚洲国产欧美网| 国产精品久久久av美女十八| 中文字幕另类日韩欧美亚洲嫩草| 91麻豆av在线| 又紧又爽又黄一区二区| 久久狼人影院| 亚洲精品自拍成人| 欧美久久黑人一区二区| 免费在线观看影片大全网站| 天天添夜夜摸| www.精华液| 不卡av一区二区三区| 亚洲国产看品久久| 精品福利永久在线观看| 色尼玛亚洲综合影院| 日本黄色视频三级网站网址 | 久久久欧美国产精品| 老鸭窝网址在线观看| 国产亚洲午夜精品一区二区久久| 在线观看66精品国产| 亚洲av美国av| 18禁黄网站禁片午夜丰满| 久久青草综合色| 亚洲欧美激情在线| 天堂动漫精品| 国产成人一区二区三区免费视频网站| 精品久久久精品久久久| avwww免费| 久久精品亚洲av国产电影网| 亚洲成人手机| 搡老岳熟女国产| 日韩视频一区二区在线观看| 精品熟女少妇八av免费久了| 在线观看免费高清a一片| 黑人巨大精品欧美一区二区蜜桃| 国产一区二区三区在线臀色熟女 | 色在线成人网| 69av精品久久久久久 | 久久毛片免费看一区二区三区| 天天操日日干夜夜撸| 欧美日韩视频精品一区| 欧美久久黑人一区二区| 黄网站色视频无遮挡免费观看| 欧美变态另类bdsm刘玥| 免费观看a级毛片全部| 亚洲午夜理论影院| 男女无遮挡免费网站观看| a级毛片在线看网站| 91老司机精品| 亚洲 国产 在线| 狠狠狠狠99中文字幕| 国产精品一区二区在线不卡| 一区二区三区激情视频| 久久亚洲精品不卡| 国内毛片毛片毛片毛片毛片| 18禁裸乳无遮挡动漫免费视频| 成年人午夜在线观看视频| 亚洲,欧美精品.| 人人妻人人澡人人看| 老司机亚洲免费影院| 国产伦理片在线播放av一区| 国产成人一区二区三区免费视频网站| 老司机深夜福利视频在线观看| 国产av一区二区精品久久| 亚洲国产av新网站| www日本在线高清视频| 波多野结衣av一区二区av| 99国产精品一区二区蜜桃av | 午夜成年电影在线免费观看| 悠悠久久av| 亚洲av欧美aⅴ国产| 中文字幕高清在线视频| 一区福利在线观看| 制服诱惑二区| 欧美 亚洲 国产 日韩一| 欧美黑人精品巨大| 欧美人与性动交α欧美精品济南到| 黑人操中国人逼视频| 波多野结衣av一区二区av| 国产欧美日韩精品亚洲av| 国产有黄有色有爽视频| 性色av乱码一区二区三区2| av福利片在线| 亚洲 欧美一区二区三区| 99国产极品粉嫩在线观看| 一个人免费在线观看的高清视频| 久久精品成人免费网站| 一区在线观看完整版| 黄色a级毛片大全视频| 精品福利观看| 蜜桃国产av成人99| kizo精华| 国产成人精品在线电影| 黄色片一级片一级黄色片| 成人永久免费在线观看视频 | 在线观看免费日韩欧美大片| netflix在线观看网站| 精品一区二区三卡| 色精品久久人妻99蜜桃| 精品一区二区三区av网在线观看 | 水蜜桃什么品种好| 天天躁夜夜躁狠狠躁躁| 男女床上黄色一级片免费看| 久久久国产成人免费| 美女福利国产在线| 欧美精品高潮呻吟av久久| 亚洲精品中文字幕一二三四区 | 女性被躁到高潮视频| 天天躁狠狠躁夜夜躁狠狠躁| 免费观看av网站的网址| 2018国产大陆天天弄谢| 在线 av 中文字幕| 日韩视频在线欧美| 亚洲av欧美aⅴ国产| 久久人妻av系列| 亚洲全国av大片| 国产福利在线免费观看视频| 9色porny在线观看| 亚洲伊人色综图| 51午夜福利影视在线观看| 中文字幕最新亚洲高清| 国产亚洲av高清不卡| 美女高潮喷水抽搐中文字幕| 国产黄色免费在线视频| 久久人人爽av亚洲精品天堂| 韩国精品一区二区三区| 色精品久久人妻99蜜桃| 国产一卡二卡三卡精品| 精品人妻1区二区| 青草久久国产| 一边摸一边做爽爽视频免费| 丝袜美腿诱惑在线| 亚洲国产欧美网| 视频区欧美日本亚洲| 精品少妇久久久久久888优播| 宅男免费午夜| www.精华液| h视频一区二区三区| 人妻久久中文字幕网| 精品人妻1区二区| 99热国产这里只有精品6| 激情视频va一区二区三区| 国产亚洲精品久久久久5区| 亚洲 欧美一区二区三区| 亚洲精品美女久久久久99蜜臀| √禁漫天堂资源中文www| 午夜免费成人在线视频| 青草久久国产| 9热在线视频观看99| 高清毛片免费观看视频网站 | 国产成人欧美| 久久免费观看电影| 美国免费a级毛片| 亚洲av电影在线进入| 亚洲色图综合在线观看| 91精品三级在线观看| 国产精品一区二区在线不卡| 两个人免费观看高清视频| 欧美日韩亚洲国产一区二区在线观看 | 亚洲熟女精品中文字幕| 欧美精品亚洲一区二区| 国内毛片毛片毛片毛片毛片| 一级毛片女人18水好多| 99re6热这里在线精品视频| 久久影院123| 国产欧美日韩一区二区三| 久久久精品94久久精品| 久久亚洲精品不卡| 国产精品秋霞免费鲁丝片| 国产欧美日韩一区二区三区在线| 成人黄色视频免费在线看| 日本黄色视频三级网站网址 | 国产欧美日韩一区二区精品| 亚洲三区欧美一区| a级毛片在线看网站| 我要看黄色一级片免费的| 亚洲九九香蕉| 丰满少妇做爰视频| 午夜福利在线免费观看网站| 国产av国产精品国产| 捣出白浆h1v1| 久久ye,这里只有精品| av在线播放免费不卡| 欧美亚洲 丝袜 人妻 在线| 欧美乱码精品一区二区三区| 国产一区二区三区综合在线观看| 多毛熟女@视频| 精品亚洲成国产av| 在线观看免费午夜福利视频| 国产日韩欧美视频二区| 午夜福利在线观看吧| 美女福利国产在线| 久久久欧美国产精品| 国产97色在线日韩免费| 天天躁夜夜躁狠狠躁躁| 成年人黄色毛片网站| 蜜桃国产av成人99| 超色免费av| av免费在线观看网站| 啪啪无遮挡十八禁网站| 女性被躁到高潮视频| 国产伦人伦偷精品视频| 色播在线永久视频| 岛国毛片在线播放| 黄色a级毛片大全视频| 亚洲中文日韩欧美视频| 成年人免费黄色播放视频| 一级毛片电影观看| 久久亚洲精品不卡| 人妻久久中文字幕网| 色在线成人网| aaaaa片日本免费| 午夜精品国产一区二区电影| 午夜精品久久久久久毛片777| 婷婷成人精品国产| 国产精品偷伦视频观看了| 在线观看免费视频日本深夜| av超薄肉色丝袜交足视频| 色老头精品视频在线观看| 人人妻人人澡人人爽人人夜夜| 伦理电影免费视频| 亚洲精品久久成人aⅴ小说| 欧美日韩亚洲国产一区二区在线观看 | 精品熟女少妇八av免费久了| 亚洲中文字幕日韩| 一区二区三区精品91| 国产视频一区二区在线看| 天天操日日干夜夜撸| 我要看黄色一级片免费的| 国产男女超爽视频在线观看| 日日摸夜夜添夜夜添小说| 捣出白浆h1v1| 50天的宝宝边吃奶边哭怎么回事| 精品人妻在线不人妻| 黑人猛操日本美女一级片| 免费少妇av软件| 日韩大片免费观看网站| 老熟女久久久| 国产区一区二久久| 国产xxxxx性猛交| 高清在线国产一区| 国产不卡一卡二| 伦理电影免费视频| 国产精品免费一区二区三区在线 | 亚洲性夜色夜夜综合| 亚洲 欧美一区二区三区| 十八禁网站网址无遮挡| av国产精品久久久久影院| 亚洲精品国产精品久久久不卡| 国产免费视频播放在线视频| videosex国产| 9191精品国产免费久久| 中文字幕人妻丝袜制服| 中文字幕精品免费在线观看视频| 中文字幕另类日韩欧美亚洲嫩草| 国产精品熟女久久久久浪| 国产成人精品久久二区二区91| 在线 av 中文字幕| 电影成人av| 又紧又爽又黄一区二区| 中亚洲国语对白在线视频| 在线观看免费视频日本深夜| 欧美亚洲 丝袜 人妻 在线| 亚洲熟女毛片儿| 一区二区三区精品91| 蜜桃国产av成人99| 久久午夜亚洲精品久久| 另类精品久久| 制服诱惑二区| 婷婷成人精品国产| tocl精华| 久久婷婷成人综合色麻豆| 香蕉国产在线看| 好男人电影高清在线观看| 一本—道久久a久久精品蜜桃钙片| 一区二区日韩欧美中文字幕| 亚洲欧美日韩高清在线视频 | 一区二区三区国产精品乱码| 国产伦人伦偷精品视频| 精品少妇一区二区三区视频日本电影| 后天国语完整版免费观看| 18禁观看日本| 夜夜夜夜夜久久久久| 国产精品香港三级国产av潘金莲| 亚洲情色 制服丝袜| 一个人免费在线观看的高清视频| 欧美性长视频在线观看| 黄片大片在线免费观看| 欧美日韩亚洲高清精品| 成人国语在线视频| 91麻豆精品激情在线观看国产 | 国产欧美日韩精品亚洲av| 一区二区三区国产精品乱码| 免费女性裸体啪啪无遮挡网站| 国产精品免费视频内射| 最黄视频免费看| 一个人免费看片子| 国产精品 欧美亚洲| 欧美黑人欧美精品刺激| 丰满少妇做爰视频| 视频在线观看一区二区三区| 老汉色∧v一级毛片| 女人精品久久久久毛片| 热99久久久久精品小说推荐| 色综合婷婷激情| 久久免费观看电影| 老汉色∧v一级毛片| 十分钟在线观看高清视频www| 人妻 亚洲 视频|