• <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
    国产精品 国内视频| 69精品国产乱码久久久| 亚洲精品乱久久久久久| 免费一级毛片在线播放高清视频 | 中文字幕av电影在线播放| 欧美精品亚洲一区二区| 在线视频色国产色| 亚洲人成77777在线视频| 国产精品一区二区免费欧美| 中文字幕高清在线视频| 欧美 日韩 精品 国产| 天天影视国产精品| 国产av精品麻豆| 久久香蕉激情| 精品一区二区三区av网在线观看| 国产精品98久久久久久宅男小说| 欧美av亚洲av综合av国产av| 久久久国产欧美日韩av| 十八禁高潮呻吟视频| 99re6热这里在线精品视频| 国产免费现黄频在线看| 男女床上黄色一级片免费看| 亚洲精品美女久久av网站| 中文字幕人妻丝袜一区二区| 亚洲av成人av| 国产精品免费一区二区三区在线 | 一级片免费观看大全| 1024视频免费在线观看| 国产黄色免费在线视频| 99热国产这里只有精品6| 在线观看免费午夜福利视频| 99riav亚洲国产免费| 精品久久蜜臀av无| 久久这里只有精品19| 一进一出抽搐动态| 黄色片一级片一级黄色片| 别揉我奶头~嗯~啊~动态视频| 久久精品亚洲av国产电影网| 亚洲aⅴ乱码一区二区在线播放 | 超碰97精品在线观看| 少妇粗大呻吟视频| 日韩制服丝袜自拍偷拍| 女人高潮潮喷娇喘18禁视频| avwww免费| 精品久久久久久,| 高清视频免费观看一区二区| 日韩熟女老妇一区二区性免费视频| 亚洲性夜色夜夜综合| 99精品欧美一区二区三区四区| 99精国产麻豆久久婷婷| 黑丝袜美女国产一区| 免费观看人在逋| 深夜精品福利| 国产伦人伦偷精品视频| 18禁裸乳无遮挡免费网站照片 | 精品免费久久久久久久清纯 | 欧美精品av麻豆av| xxx96com| 99精品在免费线老司机午夜| 制服人妻中文乱码| 50天的宝宝边吃奶边哭怎么回事| 免费在线观看日本一区| 我的亚洲天堂| 制服人妻中文乱码| 亚洲一区中文字幕在线| 国产99白浆流出| 新久久久久国产一级毛片| 波多野结衣av一区二区av| 国产一区二区三区在线臀色熟女 | 狠狠狠狠99中文字幕| 高清黄色对白视频在线免费看| 18禁黄网站禁片午夜丰满| 国产精品免费大片| 伦理电影免费视频| 搡老乐熟女国产| 99国产精品99久久久久| 成年版毛片免费区| 悠悠久久av| av欧美777| 狠狠婷婷综合久久久久久88av| 男女免费视频国产| a在线观看视频网站| 在线观看日韩欧美| 亚洲欧洲精品一区二区精品久久久| 无限看片的www在线观看| 午夜激情av网站| 18禁观看日本| 久久狼人影院| 久久天堂一区二区三区四区| 国产一区二区三区综合在线观看| 一夜夜www| 69精品国产乱码久久久| 伦理电影免费视频| 老司机在亚洲福利影院| 日韩欧美一区二区三区在线观看 | 不卡av一区二区三区| 日韩 欧美 亚洲 中文字幕| 亚洲aⅴ乱码一区二区在线播放 | 好男人电影高清在线观看| 久久久国产精品麻豆| 狠狠狠狠99中文字幕| 黑人猛操日本美女一级片| 欧美成人午夜精品| 成人亚洲精品一区在线观看| 久久久国产一区二区| 亚洲欧美精品综合一区二区三区| 亚洲熟妇熟女久久| 亚洲一区高清亚洲精品| 建设人人有责人人尽责人人享有的| 午夜福利,免费看| 一区在线观看完整版| 成人精品一区二区免费| av欧美777| 久久精品成人免费网站| 男男h啪啪无遮挡| 涩涩av久久男人的天堂| 一边摸一边抽搐一进一小说 | 久久中文字幕一级| 欧美一级毛片孕妇| 亚洲专区国产一区二区| 国产欧美亚洲国产| 欧美另类亚洲清纯唯美| 动漫黄色视频在线观看| 久久中文字幕一级| 日韩欧美在线二视频 | 很黄的视频免费| 国产亚洲精品一区二区www | 看片在线看免费视频| 成人国产一区最新在线观看| av网站免费在线观看视频| www.熟女人妻精品国产| 老熟女久久久| 中国美女看黄片| 亚洲精品国产色婷婷电影| 夜夜躁狠狠躁天天躁| 欧美精品一区二区免费开放| 少妇的丰满在线观看| 精品久久久久久久久久免费视频 | 中亚洲国语对白在线视频| 亚洲一卡2卡3卡4卡5卡精品中文| 久9热在线精品视频| 色综合欧美亚洲国产小说| 国产精品一区二区免费欧美| 女人爽到高潮嗷嗷叫在线视频| 建设人人有责人人尽责人人享有的| 国产精品二区激情视频| 女人精品久久久久毛片| 女同久久另类99精品国产91| 久久久久久久午夜电影 | netflix在线观看网站| 日韩成人在线观看一区二区三区| 一级,二级,三级黄色视频| 久久午夜综合久久蜜桃| 极品少妇高潮喷水抽搐| 亚洲av熟女| 成人影院久久| 91字幕亚洲| 亚洲九九香蕉| 久久ye,这里只有精品| 热re99久久精品国产66热6| 19禁男女啪啪无遮挡网站| 国产成人一区二区三区免费视频网站| 欧美激情久久久久久爽电影 | av超薄肉色丝袜交足视频| 精品久久久久久久毛片微露脸| 久久精品成人免费网站| 亚洲综合色网址| 97人妻天天添夜夜摸| a级片在线免费高清观看视频| 后天国语完整版免费观看| 国产激情欧美一区二区| 国产在线观看jvid| 久久精品91无色码中文字幕| 夜夜躁狠狠躁天天躁| 黑人巨大精品欧美一区二区蜜桃| 天天操日日干夜夜撸| av一本久久久久| 999久久久精品免费观看国产| 国产一区二区激情短视频| 国产97色在线日韩免费| 午夜两性在线视频| 免费高清在线观看日韩| 亚洲精品国产色婷婷电影| 亚洲国产欧美日韩在线播放| 亚洲七黄色美女视频| 伦理电影免费视频| 午夜福利视频在线观看免费| 国产av又大| 欧美日韩国产mv在线观看视频| av在线播放免费不卡| 一区二区三区精品91| 少妇猛男粗大的猛烈进出视频| 午夜福利视频在线观看免费| 男人的好看免费观看在线视频 | 日本黄色视频三级网站网址 | 欧美精品啪啪一区二区三区| 中文字幕人妻丝袜一区二区| 91麻豆av在线| 亚洲专区中文字幕在线| 久久久久久久久久久久大奶| 看黄色毛片网站| 欧美av亚洲av综合av国产av| 欧美日韩一级在线毛片| 国产精品99久久99久久久不卡| 午夜福利,免费看| 99久久精品国产亚洲精品| 国产精品国产高清国产av | 亚洲欧美一区二区三区久久| 欧美老熟妇乱子伦牲交| 国产单亲对白刺激| 亚洲国产欧美日韩在线播放| 久久久久久久久久久久大奶| 亚洲精品av麻豆狂野| 亚洲国产精品sss在线观看 | 国产成人欧美在线观看 | 精品久久久久久电影网| 国产亚洲一区二区精品| 天天添夜夜摸| 精品久久久久久久久久免费视频 | avwww免费| 制服诱惑二区| 欧美日韩av久久| 99在线人妻在线中文字幕 | 国产91精品成人一区二区三区| 一进一出抽搐动态| 一边摸一边做爽爽视频免费| 国产av精品麻豆| 伦理电影免费视频| 国产一区有黄有色的免费视频| aaaaa片日本免费| 水蜜桃什么品种好| 90打野战视频偷拍视频| 男女高潮啪啪啪动态图| 亚洲成人免费av在线播放| 久久天躁狠狠躁夜夜2o2o| 亚洲精品av麻豆狂野| 亚洲国产看品久久| 国产亚洲欧美98| 麻豆成人av在线观看| 亚洲av电影在线进入| 男女高潮啪啪啪动态图| 日本欧美视频一区| 亚洲一卡2卡3卡4卡5卡精品中文| 午夜两性在线视频| 亚洲av欧美aⅴ国产| 日日摸夜夜添夜夜添小说| 在线观看免费视频网站a站| 操出白浆在线播放| 精品少妇一区二区三区视频日本电影| 叶爱在线成人免费视频播放| 日日摸夜夜添夜夜添小说| 精品人妻在线不人妻| 精品无人区乱码1区二区| 侵犯人妻中文字幕一二三四区| 视频区欧美日本亚洲| 色尼玛亚洲综合影院| av天堂在线播放| 久久精品亚洲av国产电影网| 激情在线观看视频在线高清 | 欧美性长视频在线观看| 大香蕉久久网| 亚洲在线自拍视频| 久久亚洲精品不卡| 久久香蕉激情| 亚洲av片天天在线观看| 欧美一级毛片孕妇| 91在线观看av| 在线观看免费视频网站a站| 国产精品成人在线| netflix在线观看网站| 日本欧美视频一区| 99riav亚洲国产免费| 国产激情欧美一区二区| 侵犯人妻中文字幕一二三四区| 欧美在线黄色| 69av精品久久久久久| www.熟女人妻精品国产| 精品国产超薄肉色丝袜足j| 在线免费观看的www视频| 后天国语完整版免费观看| 色综合欧美亚洲国产小说| 国产亚洲av高清不卡| 国产精品一区二区在线观看99| 99热网站在线观看| 在线观看66精品国产| 久热这里只有精品99| 亚洲色图 男人天堂 中文字幕| 亚洲午夜理论影院| 999久久久国产精品视频| 视频区欧美日本亚洲| 在线观看免费日韩欧美大片| 高清在线国产一区| 麻豆乱淫一区二区| 午夜福利,免费看| 久久性视频一级片| 欧美久久黑人一区二区| 中文亚洲av片在线观看爽 | 无人区码免费观看不卡| 久久国产亚洲av麻豆专区| 亚洲全国av大片| 美女高潮到喷水免费观看| 黄色片一级片一级黄色片| 亚洲av片天天在线观看| av线在线观看网站| 日本a在线网址| 欧美中文综合在线视频| 变态另类成人亚洲欧美熟女 | 日韩制服丝袜自拍偷拍| 久久久国产成人免费| 在线观看免费视频日本深夜| 大型av网站在线播放| 男男h啪啪无遮挡| 国产精品免费一区二区三区在线 | 纯流量卡能插随身wifi吗| av有码第一页| 亚洲avbb在线观看| 日韩 欧美 亚洲 中文字幕| 午夜福利在线观看吧| 黄色a级毛片大全视频| 国产又爽黄色视频| 中出人妻视频一区二区| 国产日韩欧美亚洲二区| 国产麻豆69| 精品国产亚洲在线| 中亚洲国语对白在线视频| 又黄又粗又硬又大视频| 99国产综合亚洲精品| 91精品国产国语对白视频| 亚洲视频免费观看视频| 成人18禁在线播放| 亚洲第一av免费看| 亚洲成国产人片在线观看| 亚洲全国av大片| 欧美精品一区二区免费开放| 成人特级黄色片久久久久久久| 久久久久久久精品吃奶| 搡老熟女国产l中国老女人| 久久香蕉国产精品| 免费在线观看日本一区| 91精品三级在线观看| svipshipincom国产片| 欧美精品高潮呻吟av久久| 亚洲人成电影免费在线| 超碰97精品在线观看| 1024视频免费在线观看| 欧美精品亚洲一区二区| 国产成人精品无人区| 韩国av一区二区三区四区| 久久精品人人爽人人爽视色| 色播在线永久视频| 久久中文字幕人妻熟女| 黑人操中国人逼视频| 日韩精品免费视频一区二区三区| 少妇裸体淫交视频免费看高清 | 91国产中文字幕| 久久午夜综合久久蜜桃| 日本黄色视频三级网站网址 | 免费观看精品视频网站| 亚洲成人免费av在线播放| 99riav亚洲国产免费| 亚洲成人手机| 精品国产一区二区三区四区第35| 丝袜人妻中文字幕| 免费一级毛片在线播放高清视频 | 人妻丰满熟妇av一区二区三区 | 国产精品 国内视频| 岛国在线观看网站| 狠狠狠狠99中文字幕| 超碰成人久久| 大型av网站在线播放| 曰老女人黄片| 日韩制服丝袜自拍偷拍| 国产精品偷伦视频观看了| 在线观看免费视频日本深夜| 国产精华一区二区三区| 亚洲国产欧美日韩在线播放| 精品国产一区二区久久| tube8黄色片| 欧美丝袜亚洲另类 | 国产精品国产高清国产av | 亚洲精品在线美女| 中文字幕人妻熟女乱码| 久久精品国产a三级三级三级| 免费在线观看亚洲国产| 无遮挡黄片免费观看| 狂野欧美激情性xxxx| 丁香欧美五月| 国内久久婷婷六月综合欲色啪| 国产蜜桃级精品一区二区三区 | 露出奶头的视频| 精品卡一卡二卡四卡免费| 久久中文字幕人妻熟女| 美女国产高潮福利片在线看| 99riav亚洲国产免费| 亚洲精品在线美女| 一进一出抽搐动态| 精品亚洲成国产av| 婷婷丁香在线五月| 在线永久观看黄色视频| 国产精品一区二区免费欧美| 国产精品.久久久| 亚洲午夜理论影院| 久久99一区二区三区| 9热在线视频观看99| 中国美女看黄片| 一区二区三区激情视频| 国产欧美日韩综合在线一区二区| 精品亚洲成国产av| 一级片'在线观看视频| 在线观看免费视频网站a站| 正在播放国产对白刺激| 久久久水蜜桃国产精品网| 在线观看免费高清a一片| 午夜福利在线免费观看网站| www日本在线高清视频| av超薄肉色丝袜交足视频| 午夜两性在线视频| 女警被强在线播放| 在线视频色国产色| 黄色丝袜av网址大全| a级片在线免费高清观看视频| 高潮久久久久久久久久久不卡| 成年人免费黄色播放视频| 看黄色毛片网站| 午夜亚洲福利在线播放| av免费在线观看网站| 18禁裸乳无遮挡免费网站照片 | 青草久久国产| 18禁观看日本| 精品久久蜜臀av无| 1024香蕉在线观看| 久久国产亚洲av麻豆专区| 国产精品av久久久久免费| 老司机深夜福利视频在线观看| 欧美精品人与动牲交sv欧美| 精品国产超薄肉色丝袜足j| 操出白浆在线播放| 国产精品久久久av美女十八| 国产片内射在线| 一本一本久久a久久精品综合妖精| 啦啦啦在线免费观看视频4| 极品教师在线免费播放| 777久久人妻少妇嫩草av网站| 大香蕉久久成人网| 欧美+亚洲+日韩+国产| 夜夜夜夜夜久久久久| 免费少妇av软件| 欧美精品av麻豆av| 女人久久www免费人成看片| 国产成+人综合+亚洲专区| 国产男女超爽视频在线观看| 看黄色毛片网站| 久久精品国产亚洲av高清一级| 亚洲欧美日韩另类电影网站| 中文字幕人妻熟女乱码| 成人国产一区最新在线观看| 人人妻人人澡人人看| 午夜影院日韩av| 国产成人av教育| 国产深夜福利视频在线观看| 91麻豆精品激情在线观看国产 | 少妇裸体淫交视频免费看高清 | 18禁裸乳无遮挡免费网站照片 | 精品卡一卡二卡四卡免费| 中文字幕人妻丝袜制服| 中文字幕高清在线视频| 69av精品久久久久久| 丰满饥渴人妻一区二区三| a级毛片在线看网站| 免费在线观看影片大全网站| av片东京热男人的天堂| 好男人电影高清在线观看| 中出人妻视频一区二区| 亚洲男人天堂网一区| 成人18禁在线播放| 国产精品二区激情视频| 午夜福利影视在线免费观看| 午夜福利在线观看吧| 老司机在亚洲福利影院| 99精品久久久久人妻精品| www日本在线高清视频| 亚洲aⅴ乱码一区二区在线播放 | 成人三级做爰电影| 自线自在国产av| 别揉我奶头~嗯~啊~动态视频| 免费黄频网站在线观看国产| 夫妻午夜视频| 久热这里只有精品99| 亚洲色图综合在线观看| www.999成人在线观看| 99久久99久久久精品蜜桃| 19禁男女啪啪无遮挡网站| 99国产精品一区二区三区| 视频区欧美日本亚洲| 曰老女人黄片| 欧美日韩福利视频一区二区| 久久婷婷成人综合色麻豆| 在线av久久热| 丰满的人妻完整版| √禁漫天堂资源中文www| 91精品三级在线观看| 国产成+人综合+亚洲专区| 午夜福利在线免费观看网站| 变态另类成人亚洲欧美熟女 | 91成人精品电影| 亚洲成a人片在线一区二区| 成人av一区二区三区在线看| 老司机福利观看| 国产av一区二区精品久久| 欧洲精品卡2卡3卡4卡5卡区| 大香蕉久久网| 精品国产国语对白av| 国产精品一区二区在线观看99| 丰满人妻熟妇乱又伦精品不卡| 80岁老熟妇乱子伦牲交| 搡老乐熟女国产| avwww免费| 国内久久婷婷六月综合欲色啪| 极品少妇高潮喷水抽搐| 十八禁人妻一区二区| 少妇 在线观看| 99热国产这里只有精品6| 久久狼人影院| 可以免费在线观看a视频的电影网站| 在线免费观看的www视频| 91九色精品人成在线观看| 国产av精品麻豆| 亚洲成人免费电影在线观看| 18在线观看网站| 极品少妇高潮喷水抽搐| 丰满迷人的少妇在线观看| 精品国产美女av久久久久小说| 久久国产亚洲av麻豆专区| 69av精品久久久久久| 在线观看66精品国产| 日韩人妻精品一区2区三区| 曰老女人黄片| 天天躁日日躁夜夜躁夜夜| 最近最新免费中文字幕在线| 国产在线一区二区三区精| 国产人伦9x9x在线观看| 国产精品av久久久久免费| 成人特级黄色片久久久久久久| 热99re8久久精品国产| 涩涩av久久男人的天堂| 黄片播放在线免费| 丰满的人妻完整版| 国产亚洲精品一区二区www | 日本黄色视频三级网站网址 | 亚洲精品国产区一区二| 自拍欧美九色日韩亚洲蝌蚪91| 日本黄色视频三级网站网址 | 国产蜜桃级精品一区二区三区 | 深夜精品福利| 高清在线国产一区| 久久中文字幕人妻熟女| 久久久久久免费高清国产稀缺| 久9热在线精品视频| 成年动漫av网址| 国产成人精品久久二区二区免费| 色94色欧美一区二区| 一边摸一边做爽爽视频免费| 女人被狂操c到高潮| 国产主播在线观看一区二区| 亚洲av成人一区二区三| 大香蕉久久成人网| 巨乳人妻的诱惑在线观看| 精品国内亚洲2022精品成人 | 制服诱惑二区| 女人被躁到高潮嗷嗷叫费观| 亚洲精品国产一区二区精华液| 日韩熟女老妇一区二区性免费视频| 9191精品国产免费久久| 国产精品久久视频播放| 亚洲美女黄片视频| 日本撒尿小便嘘嘘汇集6| 亚洲成人国产一区在线观看| 国产精品免费大片| 黄色女人牲交| 久久人人爽av亚洲精品天堂| 精品人妻在线不人妻| 咕卡用的链子| 中文欧美无线码| 悠悠久久av| 男女高潮啪啪啪动态图| 中文字幕另类日韩欧美亚洲嫩草| 手机成人av网站| 免费不卡黄色视频| 亚洲av美国av| 精品少妇久久久久久888优播| 啪啪无遮挡十八禁网站| 成年版毛片免费区| 欧美日韩成人在线一区二区| tube8黄色片| 久久 成人 亚洲| 国产有黄有色有爽视频| 女人被躁到高潮嗷嗷叫费观| 伦理电影免费视频| 亚洲精品美女久久久久99蜜臀| 水蜜桃什么品种好| 亚洲一区高清亚洲精品| 亚洲精品久久成人aⅴ小说| 精品久久久精品久久久| 如日韩欧美国产精品一区二区三区| 黄网站色视频无遮挡免费观看| 人妻久久中文字幕网| videosex国产| 一级毛片精品| 久久精品成人免费网站| 丁香欧美五月| www.熟女人妻精品国产| 天堂中文最新版在线下载| 午夜精品国产一区二区电影| 人人妻人人澡人人看| 99精品欧美一区二区三区四区|