• <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 ?

    基于離群值去除的卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后量化預(yù)處理方法

    2022-10-11 08:06:14徐鵬濤曹健陳瑋乾劉晟榮王源張興
    關(guān)鍵詞:浮點離群預(yù)處理

    徐鵬濤 曹健 陳瑋乾 劉晟榮 王源 張興

    基于離群值去除的卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后量化預(yù)處理方法

    徐鵬濤 曹健?陳瑋乾 劉晟榮 王源 張興?

    北京大學(xué)軟件與微電子學(xué)院, 北京 102600;?通信作者, E-mail: caojian@ss.pku.edu.cn (曹健), zhx@pku.edu.cn (張興)

    為了提高訓(xùn)練后量化模型的性能, 提出一種基于離群值去除的模型訓(xùn)練后量化預(yù)處理方法。該方法僅通過排序、比較等簡易的操作, 實現(xiàn)權(quán)重、激活值的離群值去除, 使模型在量化時僅損失少量的信息, 從而提升量化模型的精度。實驗結(jié)果表明, 在使用不同的量化方法前, 采用所提方法進行預(yù)處理, 可顯著地提升性能。

    卷積神經(jīng)網(wǎng)絡(luò); 訓(xùn)練后量化; 預(yù)處理; 離群值去除; 圖像分類

    隨著算力的不斷增強, 深度學(xué)習(xí)模型規(guī)模越來越大, 在各種計算機視覺任務(wù)中表現(xiàn)出越來越優(yōu)異的性能[1–3]。但是, 資源有限的終端設(shè)備卻難以部署龐大的模型, 即使勉強部署, 模型的實際推理速度也難以達到實際使用的要求。為在保證模型精度的情況下減小模型規(guī)模, 研究者提出模型剪枝[4–8]、模型量化[9–12]和自動化搜索[13–15]等模型壓縮方法。其中, 模型量化為模型壓縮中的一種主流的方法, 分為訓(xùn)練中量化和訓(xùn)練后量化。

    訓(xùn)練中量化即在訓(xùn)練中模擬量化過程, 最大程度地減少量化帶來的精度誤差, 其代表作 IAO 由Jacob 等[10]2017 年提出。該方法引入模擬量化, 通過線性量化方法, 將權(quán)重和激活值量化為 8 位定點數(shù), 取得不錯的效果。DoReFaNet[11]使用 tanh 函數(shù)進行非線性量化, 調(diào)整量化精度, 降低量化誤差。雖然訓(xùn)練中量化可以取得優(yōu)異的性能, 但由于必須在訓(xùn)練時就介入模型優(yōu)化的特點, 并不適合快速的工程應(yīng)用。

    訓(xùn)練后量化指對訓(xùn)練好的浮點模型進行量化, 通常僅使用少量的校準信息來獲得合適的量化參數(shù)。此類方法能在很短的時間內(nèi)對模型完成量化, 非常適合應(yīng)用部署, 目前很多主流的終端推理框架都使用此類方法。比如, 阿里巴巴的 MNN[16]框架采用 8 位線性量化的方法, 在嵌入式終端有優(yōu)異的推理效果。

    對模型進行量化后, 模型精度通常會有一定程度的下降, 而訓(xùn)練后量化方法下降的程度會更大。為了減小精度損失, 本文從量化的基本原理出發(fā), 提出一種預(yù)處理方法, 即在量化前對模型權(quán)重和激活值進行離群值去除, 以期提高量化后模型的精度。

    1 基于離群值去除的卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后量化預(yù)處理方法

    訓(xùn)練后量化中最重要的一點是找到合適的縮放因子值, 該值表示浮點值和量化值的比例關(guān)系。圖1 展示 8 位對稱量化時二者的對應(yīng)關(guān)系, 其縮放因子值由最大、最小值中絕對值最大的決定。

    可以看到, 圖 1 中浮點值的最大值偏離其他值的距離過大, 導(dǎo)致量化值的空白區(qū)間過大, 無法很好地利用量化值有限的信息去表達原始模型的浮點值信息, 致使量化模型精度顯著下降。本文將類似圖 1 中最大值這樣的值定義為離群值。由于卷積神經(jīng)網(wǎng)絡(luò)具有較強的魯棒性, 去除離群值幾乎不會影響原始浮點模型的精度。因此, 本文提出一種量化預(yù)處理方法, 在量化前將這些離群值去除掉, 從而有效地提升量化模型的精度。圖 2 展示離群點去除后浮點值與量化值的對應(yīng)關(guān)系, 其中去除的離群值對應(yīng)量化的最值。量化分為權(quán)重量化和激活值量化, 本文將針對兩種量化方法分別設(shè)計離群值去除方法。

    1.1 權(quán)重離群值去除

    1)對原始浮點模型權(quán)重進行求絕對值運算, 得到絕對值權(quán)重。

    2)對絕對值權(quán)重進行降序排列運算, 得到排序權(quán)重。

    3)將排序靠前占比為的權(quán)重視為離群值, 并獲得除去離群值后排序權(quán)重的最大值。

    4)將原始浮點模型中的離群值改變成絕對值為, 符號(即正負)與原始浮點模型中符號相同的更新值, 即完成離群值的去除。

    圖1 8位對稱量化浮點值、量化值對應(yīng)關(guān)系

    圖2 離群值去除后8位對稱量化浮點值與量化值對應(yīng)關(guān)系

    1.2 激活離群值去除

    與權(quán)重不同, 模型的激活值隨著輸入圖片的不同而變化, 因此無法像權(quán)重一樣直接對離群值進行去除操作。本文采用閾值去除的方式, 在量化前求得離群值閾值, 然后在量化時進行動態(tài)離群值去除。為了求得激活離群值閾值, 需要將部分圖片進行推理, 獲取模型激活值??紤]到訓(xùn)練后量化操作也需要圖片, 因此本文使用與量化時相同的圖片。去除離群值的步驟如下。

    1)將量化時圖片依次輸入神經(jīng)網(wǎng)絡(luò), 獲取每層的激活值。

    2)對激活值進行求絕對值的運算, 得到激活值的絕對值。

    3)對激活值的絕對值進行降序排列運算, 得到排序激活值。

    5)量化時將絕對值大于的激活值視為離群值, 將其改變成絕對值為, 符號(即正負)與原始激活值符號相同的更新值后再進行運算, 即完成離群值的去除。

    雖然上述方法中激活離群值去除的實際操作是在量化中完成, 但去除操作十分簡單, 且?guī)缀醪粫馁M時間, 耗時操作實際上是在量化前完成的求閾值操作。因此, 本文提出的激活離群值去除方法依然可視為一種預(yù)處理操作, 可簡單地應(yīng)用于各種量化方法中。

    1.3 訓(xùn)練后量化預(yù)處理方法

    在模型訓(xùn)練后, 結(jié)合上文所提兩種方法進行量化前預(yù)處理, 消除離群值導(dǎo)致的量化中空白區(qū)間過大問題, 使量化模型對原始浮點模型進行更好的表達, 使量化模型的性能更加優(yōu)異。圖 3 展示使用本文預(yù)處理方法進行訓(xùn)練后量化的具體流程。

    2 實驗結(jié)果與方法對比

    將本文提出的預(yù)處理方法結(jié)合不同的訓(xùn)練后量化方法, 在不同數(shù)據(jù)集以及不同網(wǎng)絡(luò)結(jié)構(gòu)上進行實驗, 驗證本文方法的有效性和普遍適用性。

    2.1 實驗數(shù)據(jù)與網(wǎng)絡(luò)結(jié)構(gòu)

    本文采用規(guī)模不同的圖像分類數(shù)據(jù)集 CIFAR-10[17]和 ImageNet[18], 在 VGG[19]、ResNet[20]和 Mob-ileNet[21]網(wǎng)絡(luò)結(jié)構(gòu)進行實驗。所用數(shù)據(jù)集及對應(yīng)網(wǎng)絡(luò)結(jié)構(gòu)概況如表 1 所示。

    圖3 預(yù)處理及量化流程

    2.2 實驗量化方法

    本文采用阿里巴巴 MNN[16]框架中使用的幾種量化方法, 包括最大絕對值(MAX_ABS)、相對熵(KL)和交替方向乘子(ADMM)方法?;谶@ 3 種方法的不同組合對模型進行訓(xùn)練后量化, 量化方法組合如表 2 所示。由于 8 位量化精度下降少, 在工程上被廣泛使用, 因此本文的實驗均使用 8 位量化方法。另外, 為進行公平的比較, 本文所用量化圖片集圖片數(shù)量均為 100 張。

    2.3 實驗結(jié)果與分析

    首先, 在 CIFAR-10 上針對不同量化組合方法進行實驗, 對比不采用和采用本文方法進行預(yù)處理的量化后模型 Top-1%準確率。表 3 展示的實驗結(jié)果表明, 在不同的量化組合情況下, 使用本文提出的預(yù)處理方法后, 在不同網(wǎng)絡(luò)結(jié)構(gòu)中均可有效地提升量化后模型的精度, 驗證了本文預(yù)處理方法的普遍適用性和有效性。

    表1 本文所用數(shù)據(jù)集概況

    表2 本文所用量化方法組合

    表3 CIFAR-10數(shù)據(jù)集上準確率對比(%)

    表4 ImageNet數(shù)據(jù)集上準確率對比(%)

    為證明本文方法在大型數(shù)據(jù)集上依然適用, 在ImageNet 上對 ResNet-18/34 進行實驗, 對比量化模型的 Top-1%和 Top-5%準確率。表 4 中實驗結(jié)果證明, 使用本文方法在大型數(shù)據(jù)集上依然可有效地減少量化模型的精度損失, 具有明顯優(yōu)勢。

    3 結(jié)論

    本文針對當(dāng)前訓(xùn)練后量化方法精度下降明顯的問題, 提出一種基于離群值去除的訓(xùn)練后量化預(yù)處理方法, 通過去除訓(xùn)練后浮點模型權(quán)重和激活值的離群值, 可以減少量化的空白區(qū)間, 從而有效地提升量化模型性能。實驗結(jié)果表明, 該方法在不同量化方法、數(shù)據(jù)集和網(wǎng)絡(luò)模型中, 均可對模型量化產(chǎn)生正向的效果。

    在未來的工作中, 我們將探索如何自適應(yīng)地產(chǎn)生離群值百分比參數(shù), 而非人為地設(shè)定, 從而取得更好的性能。

    [1]Redmon J, Farhadi A. YOLOv3: an incremental imp-rovement [EB/OL]. (2018–04–08)[2021–06–20]. https: //arxiv.org/ abs/1804.02767

    [2]Zhou X, Wang D, Kr?henbühl P. Objects as points [EB/OL].(2019–04–25)[2021–06–20]. https://arxiv.or g/abs/1904.07850

    [3]He K, Gkioxari G, Girshick R, et al. Mask R-CNN [EB/OL]. (2018–01–24)[2021–06–20]. https://arxiv. org/abs/1703.06870

    [4]Wen W, Wu C, Wang Y, et al. Learning structured sparsity in deep neural networks // Proceedings of the 30th International Conference on Neural Information Processing Systems. Barcelno, 2016: 2082–2090

    [5]Zhou H, Alvarez J M, Porikli F. Less is more: towards compact CNNS // European Conference on Computer Vision. Cham: Springer, 2016: 662–677

    [6]Han S, Mao H, Dally W J. Deep compression: compr-essing deep neural network with pruning, trained quantization and Huffman coding [EB/OL]. (2015–11–20)[2021–06–20]. https://arxiv.org/abs/1510.00149v3

    [7]Liu Z, Sun M, Zhou T, et al. Rethinking the value of network pruning [EB/OL]. (2019–03–05)[2021–06– 20]. https://arxiv.org/abs/1810.05270

    [8]Changpinyo S, Sandler M, Zhmoginov A. The power of sparsity in convolutional neural networks [EB/OL]. (2017–02–21)[2021–06–20]. https://arxiv.org/abs/170 2.06257

    [9]Rastegari M, Ordonez V, Redmon J, et al. XNORNet: imagenet classification using binary convolutional neural networks // European Conference on Computer Vision. Cham: Springer, 2016: 525–542

    [10]Jacob B, Kligys S, Chen B, et al. Quantization and training of neural networks for efficient integerarith-metic-only inference [EB/OL]. (2017–12–15) [2021–06–20]. https://arxiv.org/abs/1712.05877

    [11]Zhou Shuchang, Wu Yuxin, Ni Zekun, et al. DoReFa-Net: training low bitwidth convolutional neural netw-orks with low bitwidth gradients [EB/OL]. (2018–02–02)[2021–06–20]. https://arxiv.org/abs/1606.06160

    [12]Courbariaux M, Bengio Y. Binarynet: training deep neural networks with weights and activations constra-ined to +1 or –1 [EB/OL]. (2016–04–18)[2021–06–20]. https://arxiv.org/abs/1511.00363

    [13]Jin J, Yan Z, Fu K, et al. Neural network architecture optimization through submodularity and supermodul-arity [EB/OL]. (2018–02–21)[2021–06–20]. https:// arxiv.org/abs/1609.00074

    [14]Baker B, Gupta O, Naik N, et al. Designing neural network architectures using reinforcement learning [EB/OL]. (2016–11–07)[2021–06–20]. https://arxiv.org/abs/1611.02167v1

    [15]Zhang L L, Yang Y, Jiang Y, et al. Fast hardware-aware neural architecture search [EB/OL]. (2020–04– 20)[2021–06–20]. https://arxiv.org/abs/1910.11609

    [16]Jiang Xiaotang, Wang Huan, Chen Yiliu, et al. MNN: A universal and efficient inference engine [EB/OL]. (2020–02–27)[2021–06–20]. https://arxiv.org/abs/2002. 12418

    [17]Krizhevsky A, Hinton G. Learning multiple layers of features from tiny images [EB/OL]. (2009–04–08) [2021–06–20]. http://citeseerx.ist.psu.edu/viewdoc/do wnload?doi=10.1.1.222.9220&rep=rep1&type=pdf

    [18]Deng J, Dong W, Socher R, et al. ImageNet: a large-scale hierarchical image database // IEEE Conference on Computer Vision and Pattern Recognition. Miami, 2009: 248-255

    [19]Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition [EB/OL]. (2015–04–10)[2021–06–20]. https://arxiv.org/abs/140 9.1556

    [20]He K, Zhang X, Ren S, et al. Deep residual learning for image recognition // IEEE Conference on Compu-ter Vision and Pattern Recognition. Las Vegas, 2016: 770–778

    [21]Sandler M, Howard A, Zhu M, et al. MobileNetv2: inverted residuals and linear bottlenecks // Proceedin-gs of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City, 2018: 4510–4520

    Post Training Quantization Preprocessing Method of Convolutional Neural Network via Outlier Removal

    XU Pengtao, CAO Jian?, CHEN Weiqian, LIU Shengrong, WANG Yuan, ZHANG Xing?

    School of Software and Microelectronics, Peking University, Beijing 102600; ? Corresponding author, E-mail: caojian@ss.pku.edu.cn (CAO Jian), zhx@pku.edu.cn (ZHANG Xing)

    In order to improve the performance of post training quantization model, a quantization preprocessing method based on outlier removal is proposed. This method is simple and easy to use. The outliers of weight and activation value are removed only through simple operations such as sorting and comparison, so that the quantization model loses only a small amount of information and improves the accuracy. The experimental results show that the performance can be significantly improved by preprocessing with this method before using different quantization methods.

    convolutional neural network; post training quantization; preprocessing; outlier removal; image classification

    10.13209/j.0479-8023.2022.082

    2021–10–26;

    2022–02–21

    國家自然科學(xué)基金聯(lián)合基金(U20A20204)資助

    猜你喜歡
    浮點離群預(yù)處理
    LEO星座增強GNSS PPP模糊度浮點解與固定解性能評估
    基于浮點DSP的鐵路FSK信號檢測
    基于預(yù)處理MUSIC算法的分布式陣列DOA估計
    淺談PLC在預(yù)處理生產(chǎn)線自動化改造中的應(yīng)用
    離群數(shù)據(jù)挖掘在發(fā)現(xiàn)房產(chǎn)銷售潛在客戶中的應(yīng)用
    絡(luò)合萃取法預(yù)處理H酸廢水
    離群的小雞
    基于FPGA的浮點FIR濾波器設(shè)計
    基于自適應(yīng)預(yù)處理的改進CPF-GMRES算法
    改進的Goldschmidt雙精度浮點除法器
    国产真实伦视频高清在线观看| 久久久久久伊人网av| 亚洲经典国产精华液单| 亚洲美女搞黄在线观看| 免费大片18禁| 中国三级夫妇交换| 亚洲精品成人久久久久久| 亚洲精品日韩在线中文字幕| 1000部很黄的大片| 亚洲第一区二区三区不卡| 欧美xxⅹ黑人| av在线蜜桃| 国产高潮美女av| 欧美三级亚洲精品| 亚洲av日韩在线播放| 国内精品美女久久久久久| 亚洲欧美一区二区三区黑人 | 成人毛片a级毛片在线播放| 国内少妇人妻偷人精品xxx网站| 天天躁夜夜躁狠狠久久av| 蜜臀久久99精品久久宅男| 亚洲成色77777| 国产精品一区二区在线观看99| 网址你懂的国产日韩在线| av福利片在线观看| 色综合色国产| 国产精品.久久久| 尾随美女入室| 久久久久久久亚洲中文字幕| 成人美女网站在线观看视频| 精品视频人人做人人爽| 国产伦精品一区二区三区四那| 可以在线观看毛片的网站| 赤兔流量卡办理| 日日摸夜夜添夜夜添av毛片| 欧美激情久久久久久爽电影| 国产黄片美女视频| av福利片在线观看| 亚洲第一区二区三区不卡| 国产永久视频网站| 久久热精品热| 婷婷色麻豆天堂久久| 久久99精品国语久久久| 深夜a级毛片| 日韩精品有码人妻一区| 少妇的逼好多水| 一级毛片电影观看| 日本av手机在线免费观看| 亚洲国产精品成人综合色| 好男人视频免费观看在线| 久久6这里有精品| 午夜老司机福利剧场| 日韩 亚洲 欧美在线| 久久精品国产亚洲网站| 欧美成人精品欧美一级黄| 亚洲精品乱码久久久v下载方式| 99热这里只有精品一区| 欧美成人午夜免费资源| 在线观看人妻少妇| 久久精品熟女亚洲av麻豆精品| 高清欧美精品videossex| 99热这里只有是精品在线观看| 欧美极品一区二区三区四区| 免费少妇av软件| 国产精品一及| 最新中文字幕久久久久| 美女国产视频在线观看| 国产精品国产三级国产av玫瑰| a级毛片免费高清观看在线播放| 亚洲精品久久午夜乱码| 美女内射精品一级片tv| 男人和女人高潮做爰伦理| 麻豆乱淫一区二区| 美女视频免费永久观看网站| 丝瓜视频免费看黄片| 99热这里只有是精品50| av在线亚洲专区| 少妇高潮的动态图| 亚洲欧美一区二区三区黑人 | 一级毛片 在线播放| 激情五月婷婷亚洲| 亚洲欧美日韩卡通动漫| 欧美日韩国产mv在线观看视频 | 国产精品99久久99久久久不卡 | 日本av手机在线免费观看| 国模一区二区三区四区视频| 久久国内精品自在自线图片| 国产 精品1| 超碰97精品在线观看| 国产日韩欧美亚洲二区| 国产又色又爽无遮挡免| 97超碰精品成人国产| 免费av观看视频| 国产精品.久久久| 国产乱人视频| av免费观看日本| 免费av毛片视频| 欧美性感艳星| 最后的刺客免费高清国语| 亚洲欧美一区二区三区国产| 欧美日韩亚洲高清精品| 国产大屁股一区二区在线视频| 亚洲欧美成人精品一区二区| 成年版毛片免费区| 国产免费福利视频在线观看| 天天躁夜夜躁狠狠久久av| 日韩伦理黄色片| 一级片'在线观看视频| 久久99热这里只频精品6学生| 插阴视频在线观看视频| 国产乱来视频区| 九九爱精品视频在线观看| 男人添女人高潮全过程视频| 亚洲最大成人中文| 国产成年人精品一区二区| 欧美精品国产亚洲| 欧美性感艳星| 大香蕉97超碰在线| 欧美3d第一页| 黄色欧美视频在线观看| 久久精品国产亚洲av涩爱| 熟女电影av网| 只有这里有精品99| 少妇裸体淫交视频免费看高清| 69av精品久久久久久| 热99国产精品久久久久久7| 如何舔出高潮| 精品视频人人做人人爽| 国产精品.久久久| 亚洲av国产av综合av卡| 菩萨蛮人人尽说江南好唐韦庄| 男女边吃奶边做爰视频| 国产免费视频播放在线视频| av女优亚洲男人天堂| 高清在线视频一区二区三区| 国产伦理片在线播放av一区| 神马国产精品三级电影在线观看| 亚洲伊人久久精品综合| 亚洲最大成人av| 亚洲精品日本国产第一区| av在线app专区| 人妻一区二区av| 精品人妻偷拍中文字幕| 欧美日韩精品成人综合77777| 我要看日韩黄色一级片| 成年人午夜在线观看视频| 高清在线视频一区二区三区| 欧美人与善性xxx| 亚洲精品乱码久久久久久按摩| 一区二区av电影网| 国产亚洲最大av| 国产精品嫩草影院av在线观看| 中文字幕亚洲精品专区| 男女无遮挡免费网站观看| 人妻制服诱惑在线中文字幕| 国产爱豆传媒在线观看| 亚洲国产精品专区欧美| 亚洲精品久久午夜乱码| 一级黄片播放器| 高清在线视频一区二区三区| 一个人看视频在线观看www免费| av网站免费在线观看视频| 免费av毛片视频| av在线播放精品| 亚洲欧美日韩另类电影网站 | 日本欧美国产在线视频| 香蕉精品网在线| 国产午夜精品一二区理论片| 插逼视频在线观看| 国产一区二区三区av在线| 国产亚洲午夜精品一区二区久久 | 精品久久久久久久人妻蜜臀av| 亚洲经典国产精华液单| 亚洲精品视频女| 日韩三级伦理在线观看| 黄色怎么调成土黄色| 最近2019中文字幕mv第一页| videos熟女内射| 欧美最新免费一区二区三区| 国产真实伦视频高清在线观看| 国产男女内射视频| 在线 av 中文字幕| 精品99又大又爽又粗少妇毛片| 国产精品不卡视频一区二区| 欧美xxⅹ黑人| 亚洲国产精品专区欧美| 一个人观看的视频www高清免费观看| 人妻系列 视频| 国产欧美日韩精品一区二区| 寂寞人妻少妇视频99o| 99热网站在线观看| 久久99热这里只频精品6学生| 天堂俺去俺来也www色官网| 亚洲三级黄色毛片| 日本免费在线观看一区| 亚洲国产精品专区欧美| 久久6这里有精品| 亚洲成人一二三区av| 久久久欧美国产精品| 两个人的视频大全免费| 国产精品久久久久久精品电影| 18禁在线无遮挡免费观看视频| 免费黄网站久久成人精品| 人妻制服诱惑在线中文字幕| 婷婷色综合大香蕉| 一区二区三区四区激情视频| 亚洲欧美日韩另类电影网站 | 亚洲自拍偷在线| 黄片无遮挡物在线观看| 精品久久久久久久久av| 国产精品一区www在线观看| 亚洲av中文字字幕乱码综合| 人人妻人人澡人人爽人人夜夜| 欧美bdsm另类| 黄色怎么调成土黄色| 超碰97精品在线观看| 97超碰精品成人国产| 神马国产精品三级电影在线观看| 亚洲国产欧美人成| 人妻少妇偷人精品九色| 国产探花在线观看一区二区| 日本黄大片高清| 亚洲一级一片aⅴ在线观看| 精品久久久精品久久久| 亚洲精品一区蜜桃| 少妇高潮的动态图| 亚洲怡红院男人天堂| 日日摸夜夜添夜夜爱| 日本三级黄在线观看| 国产精品99久久久久久久久| 国产精品偷伦视频观看了| 欧美性感艳星| 亚洲成人一二三区av| 成人高潮视频无遮挡免费网站| 五月伊人婷婷丁香| 国产av国产精品国产| 久久久久久久国产电影| 天天一区二区日本电影三级| 神马国产精品三级电影在线观看| 激情五月婷婷亚洲| 精品人妻熟女av久视频| 联通29元200g的流量卡| 国产免费一级a男人的天堂| 亚洲av男天堂| 婷婷色综合www| 国产精品麻豆人妻色哟哟久久| 岛国毛片在线播放| 精品国产乱码久久久久久小说| 国产黄片视频在线免费观看| 国产精品伦人一区二区| 日韩国内少妇激情av| 亚洲成人精品中文字幕电影| 成人漫画全彩无遮挡| 香蕉精品网在线| 国产成人精品福利久久| 成人国产麻豆网| 免费观看无遮挡的男女| 免费黄色在线免费观看| 国产伦精品一区二区三区四那| 久久久亚洲精品成人影院| 久久久国产一区二区| 国产 精品1| 亚洲人成网站在线观看播放| 国产乱人视频| 国产视频首页在线观看| a级毛色黄片| kizo精华| 亚洲av国产av综合av卡| 亚洲欧洲日产国产| 午夜爱爱视频在线播放| 亚洲av中文字字幕乱码综合| 中文欧美无线码| 亚洲,一卡二卡三卡| 精品99又大又爽又粗少妇毛片| 色网站视频免费| 亚洲一级一片aⅴ在线观看| 国产亚洲av嫩草精品影院| 在线观看人妻少妇| 国产有黄有色有爽视频| 亚洲伊人久久精品综合| 日韩免费高清中文字幕av| 亚洲在线观看片| 国产免费福利视频在线观看| 五月玫瑰六月丁香| 国产成人aa在线观看| 国产精品国产av在线观看| 亚洲精品久久久久久婷婷小说| 日韩强制内射视频| 女人被狂操c到高潮| 精品酒店卫生间| 亚洲怡红院男人天堂| 在现免费观看毛片| 国产免费又黄又爽又色| 午夜福利高清视频| 美女xxoo啪啪120秒动态图| 久久久久久久大尺度免费视频| 国产一区二区三区综合在线观看 | 免费黄频网站在线观看国产| 亚洲真实伦在线观看| 久久97久久精品| 亚洲不卡免费看| 欧美最新免费一区二区三区| 777米奇影视久久| 久久人人爽人人片av| 久久久久久久久久成人| www.色视频.com| av女优亚洲男人天堂| 欧美日本视频| 少妇被粗大猛烈的视频| 能在线免费看毛片的网站| 青春草视频在线免费观看| 国产午夜精品久久久久久一区二区三区| 欧美zozozo另类| av在线老鸭窝| 神马国产精品三级电影在线观看| 国产综合精华液| 免费看日本二区| 欧美日韩综合久久久久久| 国产大屁股一区二区在线视频| 久久久久久久精品精品| 国产精品久久久久久精品古装| 五月开心婷婷网| 国产成人91sexporn| 六月丁香七月| 亚洲三级黄色毛片| 神马国产精品三级电影在线观看| 色视频在线一区二区三区| 亚洲精品乱码久久久v下载方式| 大陆偷拍与自拍| 亚洲精品色激情综合| 亚洲国产色片| 人人妻人人爽人人添夜夜欢视频 | 国产亚洲av嫩草精品影院| 人人妻人人看人人澡| 日本午夜av视频| 好男人视频免费观看在线| 美女被艹到高潮喷水动态| 精品人妻视频免费看| 国产免费一区二区三区四区乱码| 国产淫语在线视频| 国产精品成人在线| 大片免费播放器 马上看| 国产探花在线观看一区二区| 午夜日本视频在线| 久久97久久精品| 伊人久久国产一区二区| 我的老师免费观看完整版| 一级二级三级毛片免费看| 亚洲美女搞黄在线观看| av在线蜜桃| 午夜亚洲福利在线播放| 极品少妇高潮喷水抽搐| 国产成人精品久久久久久| 成人漫画全彩无遮挡| 伊人久久国产一区二区| 日韩一本色道免费dvd| 久久6这里有精品| 夜夜爽夜夜爽视频| 国产 一区精品| 国产片特级美女逼逼视频| 高清视频免费观看一区二区| 免费电影在线观看免费观看| 少妇人妻精品综合一区二区| 国产精品一区二区三区四区免费观看| 777米奇影视久久| 如何舔出高潮| 午夜福利在线观看免费完整高清在| 日本av手机在线免费观看| 最近最新中文字幕大全电影3| 男女啪啪激烈高潮av片| 大片免费播放器 马上看| 看黄色毛片网站| 国产欧美另类精品又又久久亚洲欧美| 欧美日韩亚洲高清精品| 人妻夜夜爽99麻豆av| 日本爱情动作片www.在线观看| 成人综合一区亚洲| 一区二区av电影网| 久久精品夜色国产| 最近中文字幕2019免费版| 激情 狠狠 欧美| 丝袜喷水一区| 亚洲欧美日韩无卡精品| 亚洲最大成人手机在线| 欧美激情国产日韩精品一区| 国产国拍精品亚洲av在线观看| 高清毛片免费看| 男人舔奶头视频| 男插女下体视频免费在线播放| 日日摸夜夜添夜夜添av毛片| 免费不卡的大黄色大毛片视频在线观看| 麻豆精品久久久久久蜜桃| 少妇高潮的动态图| 国国产精品蜜臀av免费| 精品99又大又爽又粗少妇毛片| 中文字幕av成人在线电影| 日韩欧美精品免费久久| 91精品一卡2卡3卡4卡| 久久久久久伊人网av| 性色av一级| 寂寞人妻少妇视频99o| 美女主播在线视频| 一区二区三区乱码不卡18| 特级一级黄色大片| 亚洲自偷自拍三级| 香蕉精品网在线| 成人毛片a级毛片在线播放| 日日摸夜夜添夜夜爱| a级一级毛片免费在线观看| 少妇人妻久久综合中文| 国产精品99久久99久久久不卡 | 国产乱人偷精品视频| 深夜a级毛片| 亚洲国产精品成人久久小说| 国产欧美亚洲国产| 国产黄a三级三级三级人| 亚洲国产精品国产精品| 一区二区三区精品91| 在线 av 中文字幕| 久久久久久久久久久免费av| 成人漫画全彩无遮挡| 可以在线观看毛片的网站| 亚洲熟女精品中文字幕| 狂野欧美白嫩少妇大欣赏| 三级男女做爰猛烈吃奶摸视频| 我要看日韩黄色一级片| 成人综合一区亚洲| 久久久成人免费电影| 色视频www国产| 永久免费av网站大全| 王馨瑶露胸无遮挡在线观看| 少妇的逼水好多| 自拍欧美九色日韩亚洲蝌蚪91 | 视频中文字幕在线观看| 青春草视频在线免费观看| 久久99热这里只有精品18| 91精品国产九色| 2022亚洲国产成人精品| 性插视频无遮挡在线免费观看| 内射极品少妇av片p| 麻豆国产97在线/欧美| 亚洲天堂国产精品一区在线| 深夜a级毛片| 日韩 亚洲 欧美在线| 免费观看在线日韩| 美女内射精品一级片tv| 国产精品99久久久久久久久| 国产黄a三级三级三级人| 高清在线视频一区二区三区| 日韩欧美精品v在线| 狂野欧美激情性bbbbbb| av.在线天堂| 国产精品久久久久久av不卡| 一个人看视频在线观看www免费| 97在线视频观看| 男人添女人高潮全过程视频| 99久久中文字幕三级久久日本| 成人亚洲精品av一区二区| 欧美亚洲 丝袜 人妻 在线| 色婷婷久久久亚洲欧美| 国产高清不卡午夜福利| 一区二区三区四区激情视频| 人妻一区二区av| 丰满乱子伦码专区| 99久久精品一区二区三区| av在线亚洲专区| 亚洲天堂av无毛| 韩国高清视频一区二区三区| 三级国产精品欧美在线观看| 大片免费播放器 马上看| 精品酒店卫生间| 日本av手机在线免费观看| 国产精品人妻久久久久久| 日韩av免费高清视频| 国产 一区 欧美 日韩| 少妇被粗大猛烈的视频| 99热这里只有是精品在线观看| 国产永久视频网站| av女优亚洲男人天堂| 永久网站在线| 国产在视频线精品| 白带黄色成豆腐渣| 天美传媒精品一区二区| 日韩在线高清观看一区二区三区| 日本猛色少妇xxxxx猛交久久| 亚洲av成人精品一区久久| 国产精品久久久久久精品电影| 国产91av在线免费观看| 97人妻精品一区二区三区麻豆| 国产视频内射| 人妻夜夜爽99麻豆av| 2021少妇久久久久久久久久久| 亚洲经典国产精华液单| 一二三四中文在线观看免费高清| 久久久久久久久久成人| 我要看日韩黄色一级片| 赤兔流量卡办理| 夫妻午夜视频| a级一级毛片免费在线观看| 2018国产大陆天天弄谢| 成人综合一区亚洲| 一本色道久久久久久精品综合| 九九爱精品视频在线观看| 婷婷色综合大香蕉| 干丝袜人妻中文字幕| 日本与韩国留学比较| 麻豆精品久久久久久蜜桃| 国产亚洲5aaaaa淫片| 久久精品国产亚洲网站| 在线观看av片永久免费下载| 国产精品一区www在线观看| 两个人的视频大全免费| 99久国产av精品国产电影| 全区人妻精品视频| 99久久精品国产国产毛片| 日本-黄色视频高清免费观看| 亚洲va在线va天堂va国产| av天堂中文字幕网| 精品久久久久久久末码| 亚洲经典国产精华液单| 国模一区二区三区四区视频| 老司机影院毛片| 国语对白做爰xxxⅹ性视频网站| 一级毛片黄色毛片免费观看视频| 亚洲va在线va天堂va国产| 一级毛片黄色毛片免费观看视频| 好男人视频免费观看在线| 国产男女超爽视频在线观看| videossex国产| 99精国产麻豆久久婷婷| 欧美成人一区二区免费高清观看| 国产有黄有色有爽视频| 国产亚洲av嫩草精品影院| 制服丝袜香蕉在线| 亚洲最大成人手机在线| 精品熟女少妇av免费看| 亚洲四区av| 成年女人看的毛片在线观看| 大香蕉97超碰在线| 在线看a的网站| 亚洲国产精品成人久久小说| 两个人的视频大全免费| 国产精品熟女久久久久浪| 制服丝袜香蕉在线| 国产精品熟女久久久久浪| 两个人的视频大全免费| 下体分泌物呈黄色| 亚洲精品乱码久久久久久按摩| 韩国av在线不卡| 黄片无遮挡物在线观看| 欧美丝袜亚洲另类| 亚洲精品亚洲一区二区| 在现免费观看毛片| 寂寞人妻少妇视频99o| 午夜爱爱视频在线播放| 亚洲精品自拍成人| 韩国高清视频一区二区三区| 哪个播放器可以免费观看大片| 午夜精品国产一区二区电影 | 国产精品久久久久久av不卡| 国产男女超爽视频在线观看| 天天躁日日操中文字幕| 免费av不卡在线播放| 一区二区三区乱码不卡18| 免费观看av网站的网址| 男人爽女人下面视频在线观看| 国产永久视频网站| 三级国产精品片| 日本午夜av视频| 日本三级黄在线观看| 亚州av有码| 赤兔流量卡办理| 免费观看性生交大片5| 亚洲av二区三区四区| 日本一二三区视频观看| av网站免费在线观看视频| 人妻系列 视频| 亚洲成人中文字幕在线播放| 狠狠精品人妻久久久久久综合| 精品一区二区免费观看| 久久久久久久亚洲中文字幕| 欧美另类一区| 成人高潮视频无遮挡免费网站| 欧美日韩国产mv在线观看视频 | 亚洲一区二区三区欧美精品 | 街头女战士在线观看网站| 中文字幕制服av| 草草在线视频免费看| 亚洲人成网站高清观看| 久久久久久国产a免费观看| 欧美激情国产日韩精品一区| 亚洲精品久久午夜乱码| 亚洲av二区三区四区| 毛片女人毛片| 美女视频免费永久观看网站| eeuss影院久久| 国产 一区 欧美 日韩| 国产一区亚洲一区在线观看| 精品久久久久久久人妻蜜臀av| 少妇裸体淫交视频免费看高清| 五月开心婷婷网| 国内精品宾馆在线| 午夜日本视频在线| 18禁动态无遮挡网站| 久久久久精品久久久久真实原创| 国产 一区 欧美 日韩| 久久久精品94久久精品| 伊人久久精品亚洲午夜| 成人无遮挡网站| 中文天堂在线官网| 亚洲精品456在线播放app| 美女国产视频在线观看| 久热这里只有精品99| 日韩成人av中文字幕在线观看| 美女脱内裤让男人舔精品视频|