• <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 ?

    基于梯度追蹤的結(jié)構(gòu)化剪枝算法

    2022-09-28 09:53:10季繁繁袁曉彤
    計算機(jī)仿真 2022年8期
    關(guān)鍵詞:剪枝范數(shù)結(jié)構(gòu)化

    王 玨,季繁繁,袁曉彤

    (南京信息工程大學(xué)江蘇省大數(shù)據(jù)分析技術(shù)重點實驗室,江蘇 南京 210044)

    1 引言

    現(xiàn)今,卷積神經(jīng)網(wǎng)絡(luò)(CNN)[1-3]在計算機(jī)視覺、自然語言處理、語音識別等深度學(xué)習(xí)的各個領(lǐng)域中迅速發(fā)展,而且表現(xiàn)出其優(yōu)越性能。通常情況下,神經(jīng)網(wǎng)絡(luò)的層數(shù)越深、結(jié)構(gòu)越寬,模型的性能也就越好。所以,CNN的大量可學(xué)習(xí)的參數(shù)使得網(wǎng)絡(luò)能夠擁有強(qiáng)大的表達(dá)能力。

    盡管深度卷積神經(jīng)網(wǎng)絡(luò)取得了巨大成功,但CNN卻存在過參數(shù)化的問題。當(dāng)深度模型在硬件資源受限的環(huán)境(比如嵌入式傳感器、無人機(jī)、移動設(shè)備等)中實際工作時,會出現(xiàn)以下三個問題:運(yùn)行時的內(nèi)存過多;可訓(xùn)練參數(shù)過多;計算代價過大。例如,在對分辨率為224×224的圖像進(jìn)行分類任務(wù)時,ResNet-152[4]占用了不少于200MB的存儲空間,具有6020萬個參數(shù),需要23千兆的浮點運(yùn)算次數(shù)(FLOPs),這會導(dǎo)致CNN計算代價過大[5]。以上三個問題限制了深度CNN的實際部署。

    為了有效緩解上述的問題,研究人員提出了一些新的技術(shù)來加速和壓縮深度CNN,包括低秩分解[6-7],量化[8-9],知識蒸餾[10]和網(wǎng)絡(luò)剪枝[5,11-12]等。他們在追求高精度的同時,能夠降低過參數(shù)化網(wǎng)絡(luò)的計算代價以及存儲需求。

    濾波器剪枝能夠剪除原始網(wǎng)絡(luò)中的冗余卷積核,從而獲得小網(wǎng)絡(luò),有效降低模型的運(yùn)算量和存儲量。作為模型壓縮技術(shù),濾波器剪枝有以下幾個優(yōu)勢:首先,它可以應(yīng)用于CNN的任何任務(wù)中,比如目標(biāo)檢測,人臉識別和語義分割等。其次,濾波器剪枝可以在顯著減少FLOPs、加快推理速度的同時,不會損壞網(wǎng)絡(luò)結(jié)構(gòu)。因此,可以利用其它模型壓縮技術(shù)(例如,知識蒸餾[10]、量化[8-9])進(jìn)一步壓縮剪枝后的模型。此外,現(xiàn)有的深度學(xué)習(xí)庫可以支持濾波器剪枝,而不需要專用硬件和專用軟件。

    一些代表性工作[5,12]可以通過計算網(wǎng)絡(luò)卷積層中的濾波器Lp范數(shù)的值,來衡量相應(yīng)濾波器的重要性。這種情況下,上述方法對濾波器的參數(shù)范數(shù)值排序,刪除對應(yīng)于小范數(shù)的不重要的濾波器,得到了較窄的卷積神經(jīng)網(wǎng)絡(luò)。

    然而,這些剪枝準(zhǔn)則僅僅關(guān)注模型參數(shù)本身的信息(零階信息),卻忽略了其梯度信息(一階信息)對模型性能的影響,可能會剪去重要的濾波器。即使一些濾波器參數(shù)權(quán)值很小,但其參數(shù)變化對剪枝結(jié)果將產(chǎn)生很大的影響,這些梯度大的濾波器是不應(yīng)該被剪去的。模型的梯度信息對卷積神經(jīng)網(wǎng)絡(luò)來說是十分重要的。在神經(jīng)網(wǎng)絡(luò)中,前向傳遞輸入信號,反向傳播根據(jù)誤差來調(diào)整各種參數(shù)的值,即運(yùn)用鏈?zhǔn)角髮?dǎo)的思想。而且,CNN參數(shù)優(yōu)化的重要算法是根據(jù)梯度決定搜索方向的策略。因此,網(wǎng)絡(luò)的參數(shù)信息和梯度信息可以作為濾波器重要性的評判指標(biāo)。

    為了解決上述剪枝方法的缺陷,根據(jù)梯度追蹤算法(GraSP)[13]的思路,本文提出了一種新的濾波器級的剪枝方法。本文將在優(yōu)化器步驟中實現(xiàn)所提方法,并且在所有卷積層中同時進(jìn)行剪枝操作。具體地來說,本文方法首先計算濾波器梯度的L1范數(shù)值,并對它們進(jìn)行排序,然后,選擇對應(yīng)最大梯度值的濾波器索引。隨后,本文算法將該索引和上一次迭代中得到的對應(yīng)最大權(quán)值的濾波器索引聯(lián)合,生成了一個包含參數(shù)信息和梯度信息的并集。除了參數(shù)信息,梯度信息也是衡量濾波器重要性的依據(jù)。然后,在該并集上利用隨機(jī)梯度下降的動量法(SGDM)[14]更新參數(shù)。在每次迭代結(jié)束時,計算濾波器權(quán)重的L1范數(shù),對它們排序,選擇保留最大范數(shù)的濾波器,然后設(shè)置小濾波器為零。該剪枝方法允許已經(jīng)歸零的濾波器在往后的迭代中繼續(xù)訓(xùn)練。本文方法將繼續(xù)迭代直到模型收斂。最后,重建網(wǎng)絡(luò),從而獲得了剪枝后的小網(wǎng)絡(luò)。

    本文的主要貢獻(xiàn)如下所述:

    1)提出了一種改進(jìn)的結(jié)構(gòu)化剪枝方法來壓縮模型。與傳統(tǒng)的剪枝方法相比,采用梯度追蹤算法,創(chuàng)新地使用模型的梯度信息和參數(shù)信息來評判濾波器的重要性;

    2)與硬剪枝方法[12,15-16]相比,本文方法從頭開始訓(xùn)練,不需要使用預(yù)訓(xùn)練的模型。因此,不需要剪枝后的微調(diào)步驟,省略微調(diào)時間;

    3)將結(jié)構(gòu)化剪枝算法運(yùn)用到ResNet模型上,并在基準(zhǔn)數(shù)據(jù)集上進(jìn)行實驗。結(jié)果證明,本文方法能夠在不影響的模型性能情況下,減少網(wǎng)絡(luò)參數(shù)量和運(yùn)算量,使得深度卷積神經(jīng)網(wǎng)絡(luò)能在硬件資源受限的環(huán)境下部署。

    2 網(wǎng)絡(luò)剪枝算法

    網(wǎng)絡(luò)剪枝是模型壓縮的重要技術(shù)之一。它可以在神經(jīng)網(wǎng)絡(luò)模型的精度損失忽略不計的情況下,剪去網(wǎng)絡(luò)的冗余參數(shù),達(dá)到減少過參數(shù)化模型的大小和運(yùn)算量(例如FLOPs)的目的。一般來說,剪枝算法可以分為兩類,即非結(jié)構(gòu)化剪枝和結(jié)構(gòu)化剪枝。

    2.1 非結(jié)構(gòu)化剪枝

    LeCun等[17]最先開創(chuàng)性地提出了OBD的方法,利用參數(shù)的二階導(dǎo)數(shù),來衡量且去除不重要的神經(jīng)元。但是,以上的剪枝方法并不能應(yīng)用在深度神經(jīng)網(wǎng)絡(luò)(DNN)上。Han等[11,18]提出一種剪枝方法,在預(yù)訓(xùn)練網(wǎng)絡(luò)中剪去那些參數(shù)權(quán)重低于預(yù)定義閾值的連接,然后重新訓(xùn)練以恢復(fù)稀疏模型的準(zhǔn)確性。該方法可以在深度神經(jīng)網(wǎng)絡(luò)中縮小模型尺寸。然而,如果剪枝失誤,則無法恢復(fù)連接。為了解決以上問題,Guo等[19]提出了一種動態(tài)網(wǎng)絡(luò)剪枝技術(shù),該方法可以利用剪枝和接合這兩個操作以動態(tài)地恢復(fù)剪枝后的重要連接,顯著地減少了訓(xùn)練迭代的次數(shù)。Jin等[20]在目標(biāo)函數(shù)上添加L0范數(shù)的約束,使得模型更加稀疏。它保留了最大權(quán)值的參數(shù),然后重新激活所有的連接。該方法是利用剪枝策略來提升模型精度。

    非結(jié)構(gòu)化剪枝主要對模型參數(shù)剪枝,但是不能充分利用現(xiàn)有的BLAS庫。在實際應(yīng)用中,剪枝后的連接是不規(guī)則的,所以非結(jié)構(gòu)化剪枝在推理時的加速并不明顯,而且需要專用庫(如cuSPARSE)和專用的硬件平臺。

    2.2 結(jié)構(gòu)化剪枝

    結(jié)構(gòu)化剪枝能夠剪除整個冗余濾波器,以顯著減少卷積神經(jīng)網(wǎng)絡(luò)的FLOPs,內(nèi)存空間和運(yùn)算功耗。

    下面是引入可控超參數(shù)的剪枝方法:Wen等[21]提出了一個結(jié)構(gòu)化稀疏學(xué)習(xí)(SSL)的剪枝方法。該方法在損失函數(shù)中引入了分組LASSO正則化,來將一些濾波器逐漸歸零。Liu等[22]利用了批量歸一化(BN)層的信息,在目標(biāo)函數(shù)中加入BN層中的縮放因子γ,將γ的L1范數(shù)作為懲罰項,然后剪去與較小縮放因子相對應(yīng)的通道。Ye等[23]針對BN運(yùn)算中的縮放因子γ,采用了迭代收縮閾值算法(ISTA)來稀疏參數(shù)。

    還有是按照某個度量標(biāo)準(zhǔn)來衡量某些濾波器是否重要的剪枝方法:Li等[12]在預(yù)訓(xùn)練模型上,對每個濾波器計算卷積核權(quán)重的絕對值之和,對其排序,然后剪去其中不重要的濾波器。此方法是基于L1范數(shù)來判斷濾波器的重要性。然而,被剪去的濾波器無法在訓(xùn)練過程中繼續(xù)更新參數(shù),從而限制了網(wǎng)絡(luò)模型的表達(dá)能力。針對這一問題,He等[5]提出了一種軟剪枝(SFP)的方法。該方法剪去L2范數(shù)值較小的濾波器,并且從頭開始一邊剪枝一邊訓(xùn)練。已經(jīng)剪去的濾波器能夠繼續(xù)參與訓(xùn)練,從而節(jié)省了微調(diào)步驟的時間。但是,當(dāng)使用基于范數(shù)的剪枝準(zhǔn)則時,應(yīng)該滿足以下兩個條件:范數(shù)標(biāo)準(zhǔn)差要大;最小范數(shù)接近于零。然而,這兩個條件并不總是成立。因此,He等[24]提出了一個基于濾波器幾何中位數(shù)(FPGM)的剪枝準(zhǔn)則。該方法選擇與同一層中其它濾波器的歐氏距離之和最小的濾波器,然后將其剪去,從而可以剪去冗余的濾波器。Lin等[25]提出了基于高秩特征圖的濾波器剪枝方法(HRank)。該方法計算每個濾波器的輸出特征圖的平均秩,將其排序,然后對平均秩比較小的相應(yīng)濾波器進(jìn)行剪枝。

    還有通過重建誤差來確定哪些濾波器需要剪除的方法:Luo等[16]提出了一個ThiNet框架。該框架將通道選擇問題轉(zhuǎn)化為優(yōu)化問題的形式,并且在預(yù)訓(xùn)練模型上計算相應(yīng)的下一層統(tǒng)計信息。它將最小化剪枝前模型和剪枝后模型之間的輸出特征圖上的重建誤差。He等[15]將通道選擇問題轉(zhuǎn)化為最小二乘法的LASSO回歸問題。

    2.3 探討

    上述剪枝算法僅僅使用參數(shù)信息,所以容易忽略權(quán)值很小、梯度卻很大的濾波器。而本文方法既使用模型的參數(shù)信息,又使用其梯度信息,能有效減少神經(jīng)網(wǎng)絡(luò)中的冗余參數(shù)。本文方法先在當(dāng)前優(yōu)化器中選取梯度值較大的濾波器,聯(lián)合幅值較大的濾波器,從而得到一個濾波器索引的并集。然后,在該并集上使用隨機(jī)梯度下降法更新參數(shù),最后,剪去權(quán)值較小的濾波器。本文還使用不同的CNN架構(gòu)進(jìn)行大量剪枝實驗,證明了所提方法的有效性與優(yōu)越性。

    3 梯度追蹤的網(wǎng)絡(luò)剪枝方法

    本節(jié)介紹了利用梯度追蹤算法進(jìn)行結(jié)構(gòu)化剪枝的方法。首先,簡單介紹用于解決稀疏約束優(yōu)化問題的梯度追蹤算法(GraSP)。然后,針對壓縮深度卷積神經(jīng)網(wǎng)絡(luò)的問題,本文提出了采用GraSP的結(jié)構(gòu)化剪枝方法。

    3.1 機(jī)器學(xué)習(xí)的梯度追蹤算法

    本文所提出的算法受到梯度追蹤算法(GraSP)[13]的啟發(fā),利用GraSP的思想對CNN進(jìn)行結(jié)構(gòu)化剪枝。GraSP算法是一種用于近似求解壓縮感知[26]的稀疏約束優(yōu)化問題的方案。

    在3.1節(jié)中,x∈d表示一個向量。表示x的稀疏估計值。表示向量x的L0范數(shù)(即向量x的非零項個數(shù))。supp(x)表示向量x的支撐集(即x的非零項索引)。A∪B表示集合A和集合B的并集。T表示集合T的補(bǔ)集。bk表示向量b的最大k項(按幅值大小)。

    為了最小化目標(biāo)函數(shù)f(x),GraSP算法考慮以下稀疏約束的優(yōu)化問題

    (1)

    算法1.梯度追蹤算法。

    輸入:f(·)與k。

    repeat

    選擇z中2k個最大值:Z=supp(z2k);

    在該并集上最小化:b=arg minf(x) s.t.x|T=0;

    until 參數(shù)收斂。

    3.2 梯度追蹤的結(jié)構(gòu)化剪枝算法

    結(jié)構(gòu)化剪枝可以有效地壓縮加速網(wǎng)絡(luò),而且不會破壞網(wǎng)絡(luò)模型結(jié)構(gòu)。

    如3.1節(jié)所述,GraSP[13]將梯度最大的信號與幅值最大的信號聯(lián)合,從而解決壓縮感知的稀疏約束優(yōu)化問題。而本文算法將GraSP的思路創(chuàng)新地應(yīng)用到CNN結(jié)構(gòu)化剪枝中。與基于參數(shù)信息的剪枝算法[5,12]相比,本文算法使用CNN的梯度信息和參數(shù)信息來評判濾波器的重要性,剪去被判為不重要的濾波器。這有助于提升結(jié)構(gòu)化剪枝的效果。

    在CNN模型中,令i作為卷積層索引。網(wǎng)絡(luò)參數(shù)則表示為{Wi∈Ni+1×Ni×K×K,1≤i≤L},其中,Wi表示第i個卷積層中的參數(shù)權(quán)重矩陣。Ni表示第i層的輸入通道數(shù),Ni+1表示第i層的輸出通道數(shù)。K×K表示卷積核的大小。L表示網(wǎng)絡(luò)中卷積層個數(shù)。剪枝率Pi表示第i個卷積層中剪去的濾波器的比例。Wi,j∈Ni×K×K表示第i個卷積層的第j個濾波器。nonzero(x)表示x中非零元素的位置(索引)。topk(x)表示x中k個最大項索引。

    本文定義Lp范數(shù)如下所示

    (2)

    其中,Ni是第i個卷積層中的輸入通道數(shù)。梯度追蹤的結(jié)構(gòu)化剪枝方法根據(jù)計算濾波器的L1范數(shù),以此評估濾波器的重要性。本文通過Ni+1(1-Pi)來計算k,本文方法在所有卷積層中使用相同的剪枝率Pi。

    圖1 梯度追蹤的結(jié)構(gòu)化剪枝方法的框架圖

    圖1清晰地概述了如何將GraSP的原理推廣到結(jié)構(gòu)化剪枝的流程框架。在圖1中,k表示某個卷積層中剪枝后剩余的濾波器數(shù)目。大的方框表示某卷積層中的濾波器空間。在濾波器空間中,黃色框表示k個最大L1范數(shù)的濾波器,綠色框表示k個最大梯度的濾波器,白色框表示其余的濾波器,虛線框表示濾波器設(shè)置為零。在某個卷積層中,W表示參數(shù)權(quán)重矩陣,g表示梯度矩陣。本文方法選擇k個梯度最大的濾波器,再將其索引與在上一次迭代中得到的濾波器支撐集聯(lián)合成一個并集。然后,本文算法在該并集上更新參數(shù)。在每次迭代結(jié)束時,該算法選擇權(quán)值最大的濾波器,最后剪去小濾波器。

    算法2詳細(xì)地描述了梯度追蹤的結(jié)構(gòu)化剪枝算法。本文所提的方法將從頭開始訓(xùn)練CNN,在所有卷積層中同時進(jìn)行剪枝操作。

    算法2.梯度追蹤的結(jié)構(gòu)化剪枝算法。

    輸入:訓(xùn)練數(shù)據(jù)X,剪枝率Pi,學(xué)習(xí)率η,CNN模型參數(shù)W={Wi,1≤i≤L},卷積層的層數(shù)L。

    輸出:剪枝后模型,和它的參數(shù)W*。

    隨機(jī)初始化網(wǎng)絡(luò)參數(shù)。

    for each step=0 to stepmaxdo

    計算當(dāng)前梯度:g=?f(Wstep);

    for each i=0 to L do

    end for

    end for

    重建剪枝后的模型,最終得到一個小網(wǎng)絡(luò)W*。

    首先,隨機(jī)初始化模型參數(shù),本文方法在優(yōu)化器步驟中迭代地進(jìn)行剪枝過程。

    在第step次迭代中,f(Wstep)是當(dāng)前的損失函數(shù)。該算法通過反向傳播計算當(dāng)前梯度g

    g=?f(Wstep)

    (3)

    然后,計算gi,j的L1范數(shù),對其進(jìn)行排序,在向量gi中選擇k個梯度最大范數(shù)值的濾波器索引,如下式(4)所示。其中,gi,j表示在第i層中第j個濾波器對應(yīng)的梯度。

    (4)

    之后,將式(4)中的索引Z與當(dāng)前參數(shù)的權(quán)值Wstep的支撐集聯(lián)合,從而獲得一個并集T,如下所示

    (5)

    (6)

    本文算法將一直迭代,直到模型參數(shù)收斂。最后,該算法重建剪枝后的網(wǎng)絡(luò),生成小模型。

    綜上所述,本文方法使用梯度學(xué)習(xí),考慮了模型的參數(shù)信息和梯度信息的聯(lián)合影響,從而能在剪枝后有效保留模型的重要信息。

    4 實驗結(jié)果與分析

    為了驗證本文所提算法的有效性,本文在三個標(biāo)準(zhǔn)數(shù)據(jù)集(即MNIST[27],CIFAR-10[28]和CIFAR-100[28])上,使用梯度追蹤的結(jié)構(gòu)化剪枝方法,對幾種常見的CNNs進(jìn)行剪枝實驗,并將該算法與一些當(dāng)前已經(jīng)提出的剪枝技術(shù)進(jìn)行比較。本文使用所提出的剪枝方法在MNIST上對LeNet-5[27]模型、在CIFAR-10和CIFAR-100對ResNet[4]進(jìn)行剪枝實驗,從而壓縮神經(jīng)網(wǎng)絡(luò)。本文的實驗使用Pytorch[29]深度學(xué)習(xí)框架,在型號為NVIDIA GeForce GTX 1080Ti的GPU上運(yùn)行程序。本文算法在優(yōu)化器步驟中迭代地執(zhí)行剪枝操作,在所有卷積層中同時進(jìn)行濾波器剪枝。為了進(jìn)行比較,實驗關(guān)注剪枝率、精度變化以及FLOPs。使用Top-1準(zhǔn)確率來衡量基線模型和剪枝后模型的性能。剪枝率是剪枝后的網(wǎng)絡(luò)與原始網(wǎng)絡(luò)在參數(shù)量上相比減少的百分比。FLOPs是每秒浮點運(yùn)算次數(shù),F(xiàn)LOPs減少表示網(wǎng)絡(luò)運(yùn)算速度得到了加速。同樣地,本文將所有剪枝算法的最好的實驗結(jié)果用粗體表示。

    在4.1節(jié)和4.2節(jié)中,本文介紹了三個圖像分類的標(biāo)準(zhǔn)數(shù)據(jù)集和實驗設(shè)置。然后在4.3節(jié)、4.4節(jié)和4.5節(jié)中,本文在三個標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行結(jié)構(gòu)化剪枝實驗,將本文算法的結(jié)果與其它剪枝算法進(jìn)行比較,驗證了本文算法的性能。在4.6節(jié)中的消融實驗研究了不同的剪枝策略以及不同Lp標(biāo)準(zhǔn)對剪枝實驗的影響。4.7節(jié)證明了本文方法也可以應(yīng)用于非結(jié)構(gòu)化剪枝。

    4.1 數(shù)據(jù)集

    MNIST[27]是一個手寫數(shù)字的通用數(shù)據(jù)集,其中包含了60,000個訓(xùn)練集樣本和10,000個測試集樣本。

    CIFAR-10[28]是一個用于識別目標(biāo)的小型數(shù)據(jù)集,包含了60,000張分辨率為32×32的彩色圖像。它分為10個類別,包含了50,000訓(xùn)練圖像和10,000測試圖像。CIFAR-100[28]與CIFAR-10數(shù)據(jù)集類似。它有100個類別,每個類有600張圖片。

    4.2 實驗設(shè)置

    首先,本文在數(shù)據(jù)集MNIST上對LeNet-5模型進(jìn)行實驗。LeNet-5[27]是一種典型的CNN模型,它由兩個卷積層和兩個全連接層組成,具有431,000個可學(xué)習(xí)參數(shù)。對于MNIST實驗,本文使用SGDM[14]算法,其動量系數(shù)β設(shè)置為0.9,權(quán)重衰減為0.0005。本文算法從頭開始訓(xùn)練200個epoch,批量數(shù)據(jù)樣本數(shù)為64。實驗初始學(xué)習(xí)率為0.01。在epoch為60、120和160的時候,學(xué)習(xí)率η乘以0.2。

    在CIFAR-10和CIFAR-100的實驗中,本文對ResNet-20、32、56和110模型進(jìn)行剪枝。SGDM[14]所使用的動量系數(shù)β為0.9,權(quán)重衰減為0.0005。本文使用梯度追蹤的結(jié)構(gòu)化剪枝方法從頭開始訓(xùn)練所有模型,一共訓(xùn)練250個epoch,批量數(shù)據(jù)樣本數(shù)為128。在第1、40、120、160和200個epoch時,學(xué)習(xí)率η將分別設(shè)為0.1、0.02、0.004、0.0008、0.0002。

    特別地,對于CIFAR-10實驗,本文方法將與以下方法進(jìn)行定量比較:濾波器剪枝(L1-pruning-A,L1-pruning-B)[12]、Channel-pruning[15]、More is Less(LCCL)[30]、軟剪枝(SFP)[5]、HRank[25]、FPGM[24]。其中,Li等[12]認(rèn)為,ResNet模型的一些特定的卷積層對剪枝十分敏感,比如ResNet-56的第20、38和54層,或者ResNet-110的第36、38和74層。因此,它們跳過上述的卷積層,修剪其它層的10%的濾波器,這就是L1-pruning-A[12]。而Li等提出的L1-pruning-B[12]在不同階段使用不同的剪枝率。在ResNet-56中,L1-pruning-B跳過更多的卷積層(16,18,20,34,38,54),同時第一階段每個卷積層的剪枝率為60%,第二階段的剪枝率為30%,第三階段剪枝率為10%。在ResNet-110中,L1-pruning-B跳過第36、38和74層,第一階段剪枝率為50%,第二階段剪枝率為40%,第三階段剪枝率為30%。FPGM-only[24]表示只使用基于濾波器幾何中位數(shù)(FPGM)的剪枝準(zhǔn)則,那么,F(xiàn)PGM-mix[24]就將FPGM同基于范數(shù)的剪枝準(zhǔn)則相結(jié)合。

    4.3 數(shù)據(jù)集MNIST的剪枝實驗結(jié)果

    表1 在MNIST數(shù)據(jù)集上本文方法對LeNet-5剪枝的實驗結(jié)果

    本文算法在MNIST數(shù)據(jù)集上對LeNet-5模型中的兩個卷積層進(jìn)行結(jié)構(gòu)化剪枝。實驗中使用的剪枝率為10%、20%、30%、40%、50%、60%、70%和80%。表1表示了在MNIST數(shù)據(jù)集上LeNet-5模型的結(jié)構(gòu)化剪枝結(jié)果。實驗結(jié)果表明,在剪去兩個卷積層的50%的濾波器的情況下,本文方法Top-1準(zhǔn)確率僅僅降低了0.12%。此外,本文方法可以在保持分類準(zhǔn)確率的情況下,甚至可以剪去80%的濾波器。

    因此,本文通過在MNIST上的實驗初步證明了該算法的實用性和有效性,驗證了GraSP的原理可以應(yīng)用在CNNs上,同時使用梯度信息和參數(shù)信息的方法能夠有效地進(jìn)行結(jié)構(gòu)化剪枝。在以下的4.4節(jié)中,將在更深的卷積神經(jīng)網(wǎng)絡(luò)模型上(例如ResNet)上進(jìn)一步實現(xiàn)本文方法,并將該剪枝算法與其它剪枝方法進(jìn)行比較。

    4.4 數(shù)據(jù)集CIFAR-10的剪枝實驗結(jié)果

    對于在CIFAR-10上的實驗,本文算法對ResNet-20、32、56和110模型按照五個不同的剪枝率進(jìn)行剪枝操作。

    表2中表示了在CIFAR-10上的實驗結(jié)果。該實驗將本文算法與4.2節(jié)列出的對比方法進(jìn)行比較。對比算法的結(jié)果都在相應(yīng)論文中有所體現(xiàn)。

    例如,ResNet-56模型的剪枝實驗中,當(dāng)具有微調(diào)步驟的HRank[25]剪去50%的FLOPs時,剪枝后結(jié)果比基準(zhǔn)精度減少了0.09%;在剪枝后的FLOPs減少了52.63%的情況下,具有微調(diào)步驟的FPGM-mix[24]方法的準(zhǔn)確率下降了0.33%;而本文方法沒有微調(diào)步驟,在FLOPs減少量為52.63%的情況下,其準(zhǔn)確率僅僅下降了0.04%。從實驗結(jié)果來看,本文的方法能有效地對殘差網(wǎng)絡(luò)進(jìn)行剪枝,而且不需要微調(diào)步驟,能夠節(jié)省訓(xùn)練時間。

    在ResNet-110的實驗中,當(dāng)具有微調(diào)步驟的L1-pruning-B[12]剪去38.60%的FLOPs時,其Top-1準(zhǔn)確率為93.30%;而LCCL[30]在剪去34.21%的FLOPs時,獲得了93.44%的精度;當(dāng)沒有微調(diào)步驟的本文方法剪去40.78%的FLOPs時,其準(zhǔn)確率為94.18%,比起原始模型提高了0.01%。因此,上述結(jié)果表明,本文算法使用了基于梯度和參數(shù)聯(lián)合的剪枝準(zhǔn)則,從而提供了比其它剪枝算法更為出色的性能,能夠在追求高精度和模型壓縮之間取得了更好的平衡。

    表2 在CIFAR-10數(shù)據(jù)集上對ResNet剪枝的比較結(jié)果

    表3 在CIFAR-100數(shù)據(jù)集上利用本文方法對ResNet模型用不同剪枝率進(jìn)行濾波器剪枝

    4.5 數(shù)據(jù)集CIFAR-100的剪枝實驗結(jié)果

    本節(jié)在CIFAR-100數(shù)據(jù)集上對ResNet-20、32、56和110模型使用本文算法進(jìn)行結(jié)構(gòu)化剪枝實驗。如表3所述,在CIFAR-100對ResNet-56剪枝的實驗中,本文算法在剪去14.74%的FLOPs時,獲得了72.45%的準(zhǔn)確率,甚至比剪枝前提高了0.44%。實驗結(jié)果說明了本文算法能夠有效緩解模型過擬合,提高模型精度。

    在ResNet-110剪枝的實驗中,當(dāng)剪去40.78%的FLOPs時,本文算法可以獲得73.08%的Top-1準(zhǔn)確率,比剪枝前的基準(zhǔn)精度僅僅降低了0.83%。

    綜上所述,本節(jié)通過在CIFAR-100數(shù)據(jù)集的剪枝實驗,證明了本文方法有助于確定在某一卷積層中保留哪些濾波器。

    4.6 消融實驗

    為了研究本文方法中不同要素對剪枝結(jié)果的影響,本文對ResNet-56在CIFAR-10數(shù)據(jù)集上的結(jié)構(gòu)化剪枝實驗進(jìn)行消融研究。

    4.6.1 剪枝方法的選擇

    首先,本文研究基于參數(shù)信息和梯度信息的策略對剪枝結(jié)果的影響。本文在CIFAR-10數(shù)據(jù)集上對ResNet-56模型進(jìn)行消融實驗。該實驗增加了兩個剪枝策略與本文方法比較:①保留梯度的范數(shù)值大的濾波器,即只使用梯度信息的剪枝準(zhǔn)則;②保留參數(shù)的范數(shù)值大的濾波器,即只使用參數(shù)信息的剪枝準(zhǔn)則。

    表4總結(jié)了不同剪枝方法的選擇對實驗結(jié)果的影響。原始模型的基準(zhǔn)精度為93.43%。表4中剪枝率的設(shè)置與表2的ResNet-56部分相同。在使用CIFAR-10數(shù)據(jù)集進(jìn)行剪枝的實驗中,當(dāng)剪去40%的參數(shù)時,F(xiàn)LOPs減少了52.63%,只使用梯度信息的剪枝方法的準(zhǔn)確率為92.59%,證明了梯度信息可以作為評判濾波器重要性的標(biāo)準(zhǔn)。只使用參數(shù)信息的剪枝方法的準(zhǔn)確率為93.09%,而把兩個信息結(jié)合的本文方法的Top-1準(zhǔn)確率為93.39%。與只利用參數(shù)信息的方法和只利用梯度信息的剪枝方法相比,本文算法的性能更為優(yōu)越。因此可以從該實驗看出,把參數(shù)信息和梯度信息結(jié)合起來,能更好地剪去冗余的濾波器。

    表4 在CIFAR-10數(shù)據(jù)集上對ResNet-56模型使用不同剪枝準(zhǔn)則的實驗結(jié)果

    4.6.2 Lp范數(shù)的選擇

    為了研究不同Lp范數(shù)計算對估計濾波器重要性的影響,本文在CIFAR-10數(shù)據(jù)集上對ResNet-56模型進(jìn)行剪枝實驗。在此,本文使用L1范數(shù)的剪枝方法和使用L2范數(shù)的剪枝方法進(jìn)行對比。

    表5將L1范數(shù)與L2范數(shù)這種評估濾波器重要性的剪枝標(biāo)準(zhǔn)進(jìn)行比較。對于在CIFAR-10數(shù)據(jù)集上修剪ResNet-56的實驗,當(dāng)剪枝率為40%時,F(xiàn)LOPs減少了52.63%,L2范數(shù)標(biāo)準(zhǔn)的準(zhǔn)確率為93.04%,L1范數(shù)的準(zhǔn)確率為93.39%。可以看出,使用L1范數(shù)比使用L2范數(shù)更為優(yōu)越。所以,本文方法是使用L1范數(shù)來評估濾波器的重要性,然后剪去L1范數(shù)小的濾波器。

    表5 在CIFAR-10數(shù)據(jù)集上對ResNet-56模型使用不同范數(shù)約束的實驗結(jié)果

    4.7 本文算法在非結(jié)構(gòu)化剪枝的應(yīng)用

    最后,本文所提出的算法也能夠應(yīng)用于非結(jié)構(gòu)化剪枝。

    圖2 在CIFAR-10數(shù)據(jù)集上的ResNet-56不同剪枝率的非結(jié)構(gòu)化剪枝結(jié)果

    圖2表示了在CIFAR-10數(shù)據(jù)集上不同剪枝率對ResNet-56模型進(jìn)行的非結(jié)構(gòu)化剪枝實驗結(jié)果。圖中的基準(zhǔn)精度為稠密網(wǎng)絡(luò)的基準(zhǔn)精度。x軸剪枝率為0.1時,網(wǎng)絡(luò)的剪枝率為10%。對于該剪枝實驗,當(dāng)剪枝率為20%,本文方法能夠得到93.97%的準(zhǔn)確率,甚至比基準(zhǔn)精度提升了0.54%。而且,當(dāng)剪枝率為10%、20%、40%、50%以及60%時,剪枝后網(wǎng)絡(luò)的精度超過了基準(zhǔn)精度,本文方法能使CNN的性能有所提升。當(dāng)卷積層上的非結(jié)構(gòu)化剪枝率為80%,本文方法能夠得到92.70%的Top-1準(zhǔn)確率,與基準(zhǔn)精度相比僅僅下降了0.73%。

    因此,可以從實驗結(jié)果看出,本文方法能夠應(yīng)用在非結(jié)構(gòu)化剪枝中。當(dāng)剪枝率非常高時,所提方法可以保持網(wǎng)絡(luò)性能。

    5 結(jié)語

    1)本文提出了一種新的剪枝算法,它利用梯度追蹤算法對CNN進(jìn)行濾波器剪枝。該剪枝算法使用了CNN的一階信息和零階信息。其主要思路是:在每次迭代開始時,計算參數(shù)梯度的范數(shù)值,將梯度最大的濾波器索引與上一次迭代時保留的權(quán)值最大的濾波器索引結(jié)合,形成并集;然后在該并集上使用梯度下降法更新參數(shù);在每次迭代結(jié)束時,通過計算每個濾波器的范數(shù)值,選擇且保留權(quán)值最大的濾波器;以上步驟將一直迭代至收斂;最后,獲得壓縮后的模型。

    2)在基準(zhǔn)數(shù)據(jù)集上的幾個剪枝實驗表明,該算法能夠在模型精度幾乎不變的情況下,使用比較高的剪枝率對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行壓縮,從而有助于CNN的實際部署工作。例如,在CIFAR-10數(shù)據(jù)集上修剪ResNet-56的實驗中,所提算法在不進(jìn)行微調(diào)的情況下,減少52.63%的FLOPs,而準(zhǔn)確率僅僅降低0.04%。所提方法的性能明顯高于當(dāng)前方法。

    3)實驗表明,本文也可以將梯度追蹤算法應(yīng)用在神經(jīng)網(wǎng)絡(luò)的非結(jié)構(gòu)化剪枝中。

    在往后的工作中,將考慮使用其它的復(fù)雜數(shù)據(jù)集進(jìn)行進(jìn)一步研究。同時,將嘗試與其它網(wǎng)絡(luò)壓縮方法結(jié)合,完善該算法。

    猜你喜歡
    剪枝范數(shù)結(jié)構(gòu)化
    人到晚年宜“剪枝”
    促進(jìn)知識結(jié)構(gòu)化的主題式復(fù)習(xí)初探
    基于YOLOv4-Tiny模型剪枝算法
    結(jié)構(gòu)化面試方法在研究生復(fù)試中的應(yīng)用
    基于加權(quán)核范數(shù)與范數(shù)的魯棒主成分分析
    矩陣酉不變范數(shù)H?lder不等式及其應(yīng)用
    剪枝
    天津詩人(2017年2期)2017-03-16 03:09:39
    基于圖模型的通用半結(jié)構(gòu)化數(shù)據(jù)檢索
    一類具有準(zhǔn)齊次核的Hilbert型奇異重積分算子的范數(shù)及應(yīng)用
    一種面向不平衡數(shù)據(jù)分類的組合剪枝方法
    日韩制服骚丝袜av| 婷婷色综合www| 国产精品一区二区在线观看99| 久久精品夜色国产| 亚洲欧洲国产日韩| 国产淫语在线视频| 亚洲精品久久午夜乱码| 2022亚洲国产成人精品| 欧美激情 高清一区二区三区| 国产成人免费无遮挡视频| 满18在线观看网站| 女人被躁到高潮嗷嗷叫费观| 视频中文字幕在线观看| 欧美亚洲 丝袜 人妻 在线| 少妇精品久久久久久久| 欧美日韩视频高清一区二区三区二| 香蕉国产在线看| 国产成人精品久久久久久| 热99久久久久精品小说推荐| 最后的刺客免费高清国语| 全区人妻精品视频| 丁香六月天网| 国产日韩欧美亚洲二区| 下体分泌物呈黄色| 看非洲黑人一级黄片| 亚洲人成77777在线视频| 久热这里只有精品99| 亚洲av综合色区一区| www日本在线高清视频| 各种免费的搞黄视频| 少妇高潮的动态图| 高清毛片免费看| 一区二区三区乱码不卡18| 亚洲伊人久久精品综合| 插逼视频在线观看| 国产午夜精品一二区理论片| 欧美亚洲日本最大视频资源| 黄色视频在线播放观看不卡| 黄片播放在线免费| 欧美亚洲 丝袜 人妻 在线| 免费人成在线观看视频色| 日韩成人av中文字幕在线观看| 日韩伦理黄色片| 99精国产麻豆久久婷婷| 午夜免费男女啪啪视频观看| 一个人免费看片子| 18禁动态无遮挡网站| 国产免费视频播放在线视频| 日本午夜av视频| 在线天堂中文资源库| 十八禁高潮呻吟视频| 97精品久久久久久久久久精品| 大码成人一级视频| 日产精品乱码卡一卡2卡三| 在线看a的网站| 人体艺术视频欧美日本| 欧美+日韩+精品| 中文字幕亚洲精品专区| 视频中文字幕在线观看| 精品国产一区二区久久| 欧美xxⅹ黑人| 欧美精品高潮呻吟av久久| 在线观看www视频免费| av电影中文网址| 9色porny在线观看| 国产成人精品无人区| 久久久久久人人人人人| 青春草亚洲视频在线观看| 精品国产一区二区三区久久久樱花| 99久久人妻综合| 日韩欧美精品免费久久| www.色视频.com| 伊人亚洲综合成人网| 久久亚洲国产成人精品v| 久久久久久久亚洲中文字幕| 中文字幕免费在线视频6| 亚洲美女搞黄在线观看| 日日啪夜夜爽| 亚洲国产欧美日韩在线播放| 国产片特级美女逼逼视频| 女人精品久久久久毛片| 亚洲精品视频女| 国产成人精品在线电影| 国产xxxxx性猛交| 青春草国产在线视频| 国产精品99久久99久久久不卡 | 国产一级毛片在线| 99热6这里只有精品| 亚洲国产最新在线播放| 啦啦啦在线观看免费高清www| 亚洲欧洲精品一区二区精品久久久 | 国产在视频线精品| 成人18禁高潮啪啪吃奶动态图| 七月丁香在线播放| 日本色播在线视频| 日本av免费视频播放| 欧美日韩成人在线一区二区| 女人久久www免费人成看片| 丁香六月天网| 日韩一区二区三区影片| 久久综合国产亚洲精品| 一本色道久久久久久精品综合| 免费人妻精品一区二区三区视频| 亚洲一码二码三码区别大吗| 日本-黄色视频高清免费观看| 波野结衣二区三区在线| 国产成人一区二区在线| av在线app专区| 嫩草影院入口| av天堂久久9| 免费不卡的大黄色大毛片视频在线观看| 国产精品无大码| 日韩一本色道免费dvd| 精品酒店卫生间| 新久久久久国产一级毛片| a级毛色黄片| 成年人午夜在线观看视频| 亚洲国产精品成人久久小说| 在线 av 中文字幕| 亚洲av免费高清在线观看| 美女内射精品一级片tv| 黑人欧美特级aaaaaa片| 免费久久久久久久精品成人欧美视频 | 亚洲伊人色综图| 婷婷色av中文字幕| 亚洲欧美一区二区三区国产| 国产 精品1| 国产精品熟女久久久久浪| 美女国产高潮福利片在线看| 51国产日韩欧美| 老司机亚洲免费影院| 中国国产av一级| 黄片无遮挡物在线观看| 亚洲欧美精品自产自拍| 人妻 亚洲 视频| 国产精品久久久久久久久免| 侵犯人妻中文字幕一二三四区| 久久人人爽人人片av| 人妻系列 视频| 麻豆精品久久久久久蜜桃| 国产成人aa在线观看| 2021少妇久久久久久久久久久| 亚洲av福利一区| 亚洲欧美成人综合另类久久久| 国产精品国产三级专区第一集| 不卡视频在线观看欧美| 亚洲,欧美,日韩| 欧美激情极品国产一区二区三区 | 午夜av观看不卡| av.在线天堂| 91成人精品电影| 美女内射精品一级片tv| 狂野欧美激情性xxxx在线观看| 2018国产大陆天天弄谢| 国产欧美日韩综合在线一区二区| 男女下面插进去视频免费观看 | 九色成人免费人妻av| 国产精品免费大片| 在线观看国产h片| 国产高清国产精品国产三级| 亚洲精品久久午夜乱码| 丰满少妇做爰视频| 丝袜美足系列| 91在线精品国自产拍蜜月| av又黄又爽大尺度在线免费看| 国产国语露脸激情在线看| 男女啪啪激烈高潮av片| 在线看a的网站| 成人亚洲精品一区在线观看| 亚洲欧美成人精品一区二区| 看免费成人av毛片| 性高湖久久久久久久久免费观看| 全区人妻精品视频| 丝袜人妻中文字幕| 大话2 男鬼变身卡| 亚洲精品久久成人aⅴ小说| 涩涩av久久男人的天堂| 欧美丝袜亚洲另类| 午夜影院在线不卡| 亚洲精品中文字幕在线视频| 亚洲国产色片| 国产黄色视频一区二区在线观看| www日本在线高清视频| a级毛色黄片| 亚洲国产欧美日韩在线播放| 黑人巨大精品欧美一区二区蜜桃 | 午夜福利乱码中文字幕| 少妇的逼水好多| 国产xxxxx性猛交| h视频一区二区三区| 男人添女人高潮全过程视频| 精品一品国产午夜福利视频| 国产淫语在线视频| 成人午夜精彩视频在线观看| 99re6热这里在线精品视频| 看十八女毛片水多多多| 日本-黄色视频高清免费观看| 免费观看在线日韩| 99视频精品全部免费 在线| 国产av码专区亚洲av| 最近中文字幕2019免费版| av视频免费观看在线观看| 国产午夜精品一二区理论片| 热99久久久久精品小说推荐| 欧美人与善性xxx| 在线天堂最新版资源| 亚洲av国产av综合av卡| 国产免费一级a男人的天堂| 男的添女的下面高潮视频| 久久久久久久久久久久大奶| 免费高清在线观看视频在线观看| 一级,二级,三级黄色视频| 日韩人妻精品一区2区三区| 久久久久精品久久久久真实原创| 成人漫画全彩无遮挡| 熟女人妻精品中文字幕| 97精品久久久久久久久久精品| 青春草国产在线视频| videos熟女内射| 秋霞伦理黄片| 国产欧美亚洲国产| 亚洲国产精品一区二区三区在线| 18在线观看网站| 极品人妻少妇av视频| 日韩三级伦理在线观看| 日韩中字成人| 亚洲色图 男人天堂 中文字幕 | 交换朋友夫妻互换小说| 国产精品 国内视频| 男女边摸边吃奶| 日本av免费视频播放| 中文字幕人妻熟女乱码| 男女高潮啪啪啪动态图| 精品少妇久久久久久888优播| 亚洲婷婷狠狠爱综合网| 水蜜桃什么品种好| 国产精品一区www在线观看| 国产亚洲一区二区精品| 丰满饥渴人妻一区二区三| 纯流量卡能插随身wifi吗| videos熟女内射| 又黄又爽又刺激的免费视频.| 国产熟女欧美一区二区| 亚洲国产日韩一区二区| 久久99精品国语久久久| 久久精品久久久久久噜噜老黄| 亚洲国产精品专区欧美| 一级毛片 在线播放| √禁漫天堂资源中文www| 搡老乐熟女国产| 黄片播放在线免费| 免费观看性生交大片5| 精品一区二区三区视频在线| 女的被弄到高潮叫床怎么办| 成年av动漫网址| 国产淫语在线视频| 在线精品无人区一区二区三| 日韩av在线免费看完整版不卡| 少妇的丰满在线观看| 99久国产av精品国产电影| 欧美成人精品欧美一级黄| 少妇被粗大的猛进出69影院 | 中文字幕人妻丝袜制服| 免费人妻精品一区二区三区视频| 我的女老师完整版在线观看| 久久久精品94久久精品| 国产亚洲最大av| 一区二区三区四区激情视频| 国产亚洲精品久久久com| 欧美人与性动交α欧美软件 | 在线天堂中文资源库| 亚洲国产精品一区二区三区在线| 制服诱惑二区| 日韩av免费高清视频| 午夜福利视频精品| 熟女人妻精品中文字幕| 欧美成人午夜免费资源| 久久人人97超碰香蕉20202| 精品一区二区三卡| 中国美白少妇内射xxxbb| 国产成人精品在线电影| 亚洲av国产av综合av卡| 成人国产麻豆网| 久久人人爽av亚洲精品天堂| 午夜老司机福利剧场| 亚洲精品中文字幕在线视频| 亚洲国产毛片av蜜桃av| 狠狠婷婷综合久久久久久88av| 久久精品国产自在天天线| 青春草亚洲视频在线观看| 咕卡用的链子| 亚洲av综合色区一区| 在线观看人妻少妇| av视频免费观看在线观看| 岛国毛片在线播放| 国产亚洲一区二区精品| 精品人妻一区二区三区麻豆| 国产深夜福利视频在线观看| 国产av一区二区精品久久| 国产成人精品在线电影| 欧美日韩精品成人综合77777| 亚洲综合色网址| 婷婷色综合www| 亚洲国产成人一精品久久久| 少妇被粗大的猛进出69影院 | 夫妻性生交免费视频一级片| 在线看a的网站| 哪个播放器可以免费观看大片| 美女国产视频在线观看| 欧美精品av麻豆av| 精品久久久精品久久久| 中文字幕免费在线视频6| 色5月婷婷丁香| 亚洲国产精品一区二区三区在线| 高清av免费在线| 女性被躁到高潮视频| 精品亚洲成国产av| 伦理电影大哥的女人| 如日韩欧美国产精品一区二区三区| 十分钟在线观看高清视频www| 一区在线观看完整版| 国产精品秋霞免费鲁丝片| 亚洲情色 制服丝袜| 久久久久网色| 精品人妻一区二区三区麻豆| 在线精品无人区一区二区三| 亚洲一区二区三区欧美精品| 国产精品免费大片| 国产综合精华液| 97精品久久久久久久久久精品| 欧美精品高潮呻吟av久久| 女性生殖器流出的白浆| 亚洲精品久久久久久婷婷小说| 五月玫瑰六月丁香| 亚洲av电影在线观看一区二区三区| 国产成人a∨麻豆精品| 九色亚洲精品在线播放| 成人综合一区亚洲| 精品熟女少妇av免费看| 日韩制服骚丝袜av| 熟女人妻精品中文字幕| 日本免费在线观看一区| 成人18禁高潮啪啪吃奶动态图| 丰满饥渴人妻一区二区三| 国产成人精品福利久久| 免费播放大片免费观看视频在线观看| 久久国产亚洲av麻豆专区| 国产xxxxx性猛交| 日韩伦理黄色片| 成年人午夜在线观看视频| 国产伦理片在线播放av一区| 亚洲伊人久久精品综合| 性色av一级| 欧美日韩一区二区视频在线观看视频在线| 国产精品一区二区在线不卡| 国产免费又黄又爽又色| 国产一区二区在线观看日韩| 日韩免费高清中文字幕av| 久久狼人影院| 国产精品偷伦视频观看了| 大香蕉97超碰在线| 亚洲成色77777| 国产精品女同一区二区软件| 老女人水多毛片| 日韩中字成人| 亚洲欧美日韩另类电影网站| 免费高清在线观看日韩| √禁漫天堂资源中文www| av女优亚洲男人天堂| av黄色大香蕉| 日韩人妻精品一区2区三区| 国产片内射在线| 性色av一级| 国产一区二区激情短视频 | 中文乱码字字幕精品一区二区三区| 欧美精品高潮呻吟av久久| 午夜日本视频在线| 国产成人a∨麻豆精品| 亚洲av在线观看美女高潮| 免费高清在线观看日韩| 日韩制服骚丝袜av| 国产成人免费无遮挡视频| 成人二区视频| 18+在线观看网站| 亚洲av国产av综合av卡| 男女高潮啪啪啪动态图| 国产成人91sexporn| 亚洲国产色片| 极品少妇高潮喷水抽搐| 久久久久国产网址| 国产一区二区三区av在线| 青春草亚洲视频在线观看| 免费黄色在线免费观看| 欧美老熟妇乱子伦牲交| 美女主播在线视频| 亚洲欧美日韩卡通动漫| 久久精品久久久久久久性| 蜜臀久久99精品久久宅男| 日韩精品免费视频一区二区三区 | 超色免费av| 亚洲一码二码三码区别大吗| 波多野结衣一区麻豆| 国产亚洲欧美精品永久| 一二三四中文在线观看免费高清| 国产在线一区二区三区精| 亚洲av日韩在线播放| 日韩av免费高清视频| 建设人人有责人人尽责人人享有的| 日韩一区二区视频免费看| 久久99蜜桃精品久久| 亚洲欧洲精品一区二区精品久久久 | 高清av免费在线| 亚洲成人手机| tube8黄色片| 1024视频免费在线观看| 亚洲精品久久午夜乱码| 亚洲图色成人| 性高湖久久久久久久久免费观看| 国产一区亚洲一区在线观看| 亚洲精品日本国产第一区| 欧美激情极品国产一区二区三区 | 夜夜骑夜夜射夜夜干| 久久久精品区二区三区| 一个人免费看片子| 深夜精品福利| 久久久久视频综合| 激情视频va一区二区三区| 国产在线免费精品| av免费观看日本| av电影中文网址| 免费看不卡的av| 哪个播放器可以免费观看大片| 一区二区三区四区激情视频| 涩涩av久久男人的天堂| 亚洲人成77777在线视频| 自拍欧美九色日韩亚洲蝌蚪91| 丝袜脚勾引网站| 捣出白浆h1v1| 婷婷色综合大香蕉| av网站免费在线观看视频| 午夜视频国产福利| 久久久久久久久久久久大奶| 777米奇影视久久| 麻豆乱淫一区二区| 亚洲成色77777| 亚洲一码二码三码区别大吗| 女人精品久久久久毛片| av不卡在线播放| 人人妻人人爽人人添夜夜欢视频| 亚洲av成人精品一二三区| 在线 av 中文字幕| 成人综合一区亚洲| 哪个播放器可以免费观看大片| 久久这里只有精品19| 在线观看www视频免费| 日本午夜av视频| 久久久久久人妻| 亚洲成国产人片在线观看| 男女无遮挡免费网站观看| av一本久久久久| 欧美激情国产日韩精品一区| 少妇猛男粗大的猛烈进出视频| 人体艺术视频欧美日本| 国产精品一区www在线观看| 亚洲精品久久久久久婷婷小说| 欧美3d第一页| 亚洲av.av天堂| 夜夜爽夜夜爽视频| 青春草亚洲视频在线观看| 亚洲在久久综合| 男男h啪啪无遮挡| 中文字幕另类日韩欧美亚洲嫩草| 亚洲精品成人av观看孕妇| 哪个播放器可以免费观看大片| 亚洲少妇的诱惑av| √禁漫天堂资源中文www| 欧美人与善性xxx| 9191精品国产免费久久| 久久久亚洲精品成人影院| 亚洲精品中文字幕在线视频| 日日撸夜夜添| 一区二区日韩欧美中文字幕 | 国产乱来视频区| 69精品国产乱码久久久| 午夜福利视频在线观看免费| 91久久精品国产一区二区三区| 欧美激情 高清一区二区三区| 亚洲 欧美一区二区三区| 精品国产露脸久久av麻豆| 狂野欧美激情性bbbbbb| 欧美bdsm另类| 国产成人精品一,二区| 亚洲av电影在线观看一区二区三区| 亚洲国产日韩一区二区| 夜夜骑夜夜射夜夜干| 丝袜人妻中文字幕| 天天躁夜夜躁狠狠躁躁| 欧美精品国产亚洲| 午夜福利,免费看| 王馨瑶露胸无遮挡在线观看| 午夜福利网站1000一区二区三区| 国产无遮挡羞羞视频在线观看| 精品国产一区二区久久| 成人综合一区亚洲| 91在线精品国自产拍蜜月| 国产av码专区亚洲av| 亚洲欧美一区二区三区国产| 免费播放大片免费观看视频在线观看| 国产色婷婷99| 校园人妻丝袜中文字幕| 制服丝袜香蕉在线| 成人二区视频| 成人国语在线视频| 蜜桃在线观看..| 卡戴珊不雅视频在线播放| 亚洲欧美一区二区三区黑人 | 高清视频免费观看一区二区| 最后的刺客免费高清国语| 久久久久久久久久久久大奶| 亚洲国产成人一精品久久久| 又粗又硬又长又爽又黄的视频| 99国产精品免费福利视频| 中文字幕精品免费在线观看视频 | 午夜精品国产一区二区电影| xxx大片免费视频| 亚洲精华国产精华液的使用体验| 久久青草综合色| 欧美日韩一区二区视频在线观看视频在线| 亚洲精品第二区| 成人国产麻豆网| 人妻 亚洲 视频| 亚洲欧美日韩卡通动漫| 亚洲av欧美aⅴ国产| 久久久久久久大尺度免费视频| 亚洲精品乱久久久久久| 免费在线观看完整版高清| av电影中文网址| 欧美日韩成人在线一区二区| 国产亚洲av片在线观看秒播厂| 91久久精品国产一区二区三区| 国产成人精品在线电影| 少妇人妻精品综合一区二区| 搡女人真爽免费视频火全软件| 日韩欧美一区视频在线观看| 日日爽夜夜爽网站| 交换朋友夫妻互换小说| 久久久久久人人人人人| 一级片'在线观看视频| 久久久久国产网址| 曰老女人黄片| 免费观看a级毛片全部| 少妇精品久久久久久久| 免费大片18禁| 日本-黄色视频高清免费观看| 人妻系列 视频| 美女国产视频在线观看| 日韩成人伦理影院| 国内精品宾馆在线| 观看av在线不卡| 亚洲国产精品国产精品| 日韩中字成人| 国产精品蜜桃在线观看| 男人添女人高潮全过程视频| 欧美最新免费一区二区三区| 一本大道久久a久久精品| 最近最新中文字幕大全免费视频 | 亚洲综合精品二区| 久久女婷五月综合色啪小说| 人妻人人澡人人爽人人| 天堂中文最新版在线下载| 下体分泌物呈黄色| 亚洲精品美女久久av网站| 亚洲av电影在线观看一区二区三区| 亚洲精品美女久久av网站| 91精品伊人久久大香线蕉| 精品国产一区二区三区久久久樱花| 日本欧美国产在线视频| 亚洲欧美一区二区三区黑人 | 精品少妇内射三级| av视频免费观看在线观看| 日韩中字成人| 日日啪夜夜爽| 五月玫瑰六月丁香| 久久精品aⅴ一区二区三区四区 | 极品人妻少妇av视频| 伊人久久国产一区二区| 国产精品秋霞免费鲁丝片| 国产精品久久久av美女十八| 国产国拍精品亚洲av在线观看| 男女无遮挡免费网站观看| 国国产精品蜜臀av免费| kizo精华| 校园人妻丝袜中文字幕| 免费av不卡在线播放| 黄色视频在线播放观看不卡| 18在线观看网站| 亚洲国产欧美日韩在线播放| 亚洲av.av天堂| 在线观看免费视频网站a站| 免费大片18禁| 国产高清不卡午夜福利| 下体分泌物呈黄色| 一区二区三区精品91| 18禁观看日本| 2018国产大陆天天弄谢| 久久av网站| 美女内射精品一级片tv| 男女啪啪激烈高潮av片| 啦啦啦啦在线视频资源| 国产成人免费观看mmmm| 免费人成在线观看视频色| 黑人欧美特级aaaaaa片| 看十八女毛片水多多多| 婷婷色综合www| 一级,二级,三级黄色视频|