• <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 ?

    基于自適應(yīng)動(dòng)量更新策略的Adams算法

    2023-05-30 10:48:04李滿園羅飛顧春華羅勇軍丁煒超
    關(guān)鍵詞:優(yōu)化算法

    李滿園 羅飛 顧春華 羅勇軍 丁煒超

    摘要:Adam算法是目前最常用的優(yōu)化算法之一,但其面臨學(xué)習(xí)率震蕩導(dǎo)致模型不收斂問題,其改進(jìn)算法AMSGrad也存在梯度遞減導(dǎo)致的二階動(dòng)量失效問題。針對(duì)上述問題,提出了基于自適應(yīng)動(dòng)量更新策略的Adams算法。首先,通過為一階動(dòng)量和二階動(dòng)量引入自適應(yīng)更新參數(shù),并在最后的參數(shù)更新期間采用較小的一階動(dòng)量更新參數(shù),構(gòu)建了一種自適應(yīng)的動(dòng)量更新策略。其次,基于該更新策略,提出了一種能夠快速收斂的Adams算法。最后,通過理論分析證明了Adams算法的收斂性?;谖谋痉诸惡蛨D像分類的對(duì)比實(shí)驗(yàn)表明,相比于Adam和AMSGrad算法,Adams收斂速度更快、訓(xùn)練結(jié)果更好,且具有優(yōu)秀的泛化能力;消融實(shí)驗(yàn)證明了Adams算法自適應(yīng)動(dòng)量更新策略的有效性。

    關(guān)鍵詞:優(yōu)化算法;自適應(yīng)動(dòng)量更新策略;一階動(dòng)量;二階動(dòng)量

    中圖分類號(hào):TP 301.6

    文獻(xiàn)標(biāo)志碼:A

    近年來,人工神經(jīng)網(wǎng)絡(luò)發(fā)展迅猛,已經(jīng)被廣泛應(yīng)用于人臉識(shí)別[1]、目標(biāo)檢測(cè)[2]、文本翻譯[3]、數(shù)據(jù)預(yù)測(cè)[4]及醫(yī)療[5]等領(lǐng)域。相較于傳統(tǒng)的機(jī)器學(xué)習(xí)算法,神經(jīng)網(wǎng)絡(luò)能夠更好地利用海量的數(shù)據(jù)[6]。為了達(dá)到更好的效果,神經(jīng)網(wǎng)絡(luò)需要進(jìn)行大量的訓(xùn)練,并通過優(yōu)化算法來不斷地減少損失、優(yōu)化模型。Adam算法[7]是一種簡(jiǎn)單且高效的自適應(yīng)學(xué)習(xí)率優(yōu)化算法,可以在訓(xùn)練過程中根據(jù)歷史梯度自適應(yīng)調(diào)整學(xué)習(xí)率來獲取更好的訓(xùn)練結(jié)果[8]。Adam算法易于使用,Yi等[9]的實(shí)驗(yàn)證明,其僅使用默認(rèn)參數(shù)就可以獲得較好的訓(xùn)練結(jié)果,而且,它的計(jì)算效率高、占用內(nèi)存小,適合解決大規(guī)模數(shù)據(jù)和多參數(shù)優(yōu)化問題[10]。因?yàn)樯鲜鰞?yōu)點(diǎn),Adam算法目前已經(jīng)成為神經(jīng)網(wǎng)絡(luò)訓(xùn)練中使用最多的優(yōu)化算法之一。但是,在Adam算法中,為了避免學(xué)習(xí)率過度衰減導(dǎo)致訓(xùn)練提前結(jié)束[11],采用固定時(shí)間窗口內(nèi)歷史梯度的累積作為二階動(dòng)量。在多次迭代過程中,若訓(xùn)練樣本間梯度差過大,會(huì)出現(xiàn)二階動(dòng)量波動(dòng)引起的學(xué)習(xí)率震蕩,最終導(dǎo)致模型不收斂[12]。此外,Adam算法還存在泛化能力差、可能因過擬合而錯(cuò)過全局最優(yōu)解[13]等問題。

    為了解決上述問題,并進(jìn)一步提升Adam算法的性能,不少研究者提出了自己的改進(jìn)方法。Dozat[14]利用NAG( nesterov accelerated gradient)對(duì)Adam算法的一階動(dòng)量進(jìn)行更新,從而提升收斂速度。文獻(xiàn)[15-16]指出幾乎所有深度學(xué)習(xí)庫(kù)中,對(duì)于包括Adam算法的權(quán)重衰減方法的實(shí)現(xiàn)都存在錯(cuò)誤,并在Adamw算法中進(jìn)行修正。Reddi等[12]提出AMSGrad算法,通過改進(jìn)二階動(dòng)量的迭代方式來避免學(xué)習(xí)率的震蕩,從而解決模型不收斂問題。Lazy Adam算法[17]是Adam算法的一種常用的變體,通過引入懶惰梯度更新機(jī)制實(shí)現(xiàn)對(duì)稀疏梯度問題的高效處理,更適用于自然語言處理等梯度稀疏任務(wù)。Keskar掣[8]提出在訓(xùn)練的后期,從Adam算法切換到SGD( stochastic gradient descent)算法[19]可以使模型獲得更好的泛化性能。

    在上述對(duì)于Adam算法的改進(jìn)中,AMSGrad算法解決了Adam算法中存在的模型不收斂問題。但是,當(dāng)訓(xùn)練中多次迭代的梯度保持不變或整體呈遞減趨勢(shì),AMSGrad算法的二階動(dòng)量會(huì)無法正常更新而導(dǎo)致自適應(yīng)學(xué)習(xí)率失效。針對(duì)這一問題,本文分析了自適應(yīng)學(xué)習(xí)率失效的原因,并提出基于自適應(yīng)動(dòng)量更新策略的Adams算法。本文的主要研究工作為:a.實(shí)現(xiàn)二階動(dòng)量自適應(yīng)更新,在解決模型不收斂的同時(shí),避免自適應(yīng)學(xué)習(xí)率失效問題;b.實(shí)現(xiàn)一階動(dòng)量參數(shù)在訓(xùn)練過程中的自適應(yīng)增加,獲取更快的收斂速度;c.在最后的參數(shù)更新階段中,采用較小的一階動(dòng)量更新參數(shù),使模型完成更加精細(xì)的收斂。

    1 Adams算法設(shè)計(jì)

    1.1 自適應(yīng)學(xué)習(xí)率失效問題

    為了避免Adam算法中因?yàn)槎A動(dòng)量波動(dòng)導(dǎo)致的模型不收斂問題,AMSGrad算法優(yōu)化了二階動(dòng)量的更新公式,優(yōu)化后的公式為

    vt ← max(β2vtt1 +(1 ∞β2)g2t , vtt 1) (1)式中:9t為梯度;vt為梯度的二階原點(diǎn)矩的有偏估計(jì),即二階動(dòng)量;β2為二階動(dòng)量的指數(shù)移動(dòng)加權(quán)衰減率,即二階動(dòng)量更新系數(shù)。

    由式(1)可知,AMSGrad算法取迭代前后二階動(dòng)量的最大值作為新的二階動(dòng)量的值。這一策略可以防止二階動(dòng)量在整個(gè)訓(xùn)練的過程中出現(xiàn)波動(dòng),通過避免學(xué)習(xí)率震蕩來解決模型不收斂問題。但是,若訓(xùn)練過程中梯度整體呈下降趨勢(shì),二階動(dòng)量則會(huì)始終保持不變,無法正常更新,導(dǎo)致算法的自適應(yīng)學(xué)習(xí)率失效。

    1.2 自適應(yīng)動(dòng)量更新策略

    一方面為了在解決Adam算法不收斂問題時(shí)避免出現(xiàn)自適應(yīng)學(xué)習(xí)率失效問題,另一方面為了加速模型的收斂,針對(duì)一階動(dòng)量和二階動(dòng)量,提出了自適應(yīng)動(dòng)量更新策略。自適應(yīng)動(dòng)量更新策略的設(shè)計(jì)主要考慮以下幾個(gè)方面的問題:a.通過為二階動(dòng)量引入恒大于1的更新參數(shù),令其在整個(gè)訓(xùn)練過程中嚴(yán)格單調(diào)遞增,避免了學(xué)習(xí)率的震蕩導(dǎo)致的模型不收斂問題。同時(shí),參數(shù)不能過大,否則會(huì)因二階動(dòng)量過度累積導(dǎo)致訓(xùn)練提前結(jié)束。b.令一階動(dòng)量更新參數(shù)隨著訓(xùn)練進(jìn)行逐漸變大,并在最后的參數(shù)更新階段將其設(shè)置為較小的值。自適應(yīng)動(dòng)量更新策略分為二階動(dòng)量改進(jìn)和一階動(dòng)量改進(jìn)這兩部分。

    首先,綜合考慮Adam算法中的模型不收斂問題與AMSGrad算法中的自適應(yīng)學(xué)習(xí)率失效問題,為二階動(dòng)量引入自適應(yīng)更新參數(shù)μ,其定義為

    μ ← 1 + α/vtt 1 (2)式中,a[為算法的預(yù)設(shè)學(xué)習(xí)率。

    因?yàn)?,學(xué)習(xí)率a[恒為正,且二階動(dòng)量v。恒為正,所以,μ恒大于1。μ可以使二階動(dòng)量在訓(xùn)練中嚴(yán)格單調(diào)遞增,同時(shí)避免學(xué)習(xí)率震蕩和自適應(yīng)學(xué)習(xí)率失效兩個(gè)問題。此外,μ與算法的實(shí)際學(xué)習(xí)率線性正相關(guān),會(huì)在訓(xùn)練中自適應(yīng)減小,因此,不會(huì)出現(xiàn)梯度過度累積導(dǎo)致訓(xùn)練提前結(jié)束的問題?;谧赃m應(yīng)更新參數(shù),μ構(gòu)建的自適應(yīng)二階動(dòng)量更新方法,如式(3)所示。

    vt ← max(β2vtt 1 +(1 ∞β2)g2t, μvtt 1) (3)

    其次,Sutskever等[20]的研究表明:一方面,令一階動(dòng)量的更新參數(shù)β1在訓(xùn)練過程中緩慢地增大,可以使模型收斂更快,從而達(dá)到Hessian-Free優(yōu)化[21]的效果;另一方面,在最后的參數(shù)更新階段采用較小的一階動(dòng)量更新參數(shù)可以獲得更加精細(xì)的收斂結(jié)果。因此,令β1在每次迭代完成后乘以μ來緩慢增大,以獲取更快的收斂速度。同時(shí),采用文獻(xiàn)[20]的策略,即在最后1000次參數(shù)更新期間將β1設(shè)置為0.9,以獲取更好的收斂結(jié)果,并設(shè)置2個(gè)消融實(shí)驗(yàn)分別證明這兩點(diǎn)改進(jìn)的有效性。應(yīng)用這一改動(dòng)后,一階動(dòng)量更新公式為

    mt ← μtt 1β1mtt 1 +(1 ∞μtt 1β1)gt (4)式中:m t為梯度的一階原點(diǎn)矩的有偏估計(jì),即一階動(dòng)量;β1為一階動(dòng)量的指數(shù)移動(dòng)加權(quán)衰減率,即一階動(dòng)量更新參數(shù)。

    1.3 Adams算法

    算法1簡(jiǎn)要描述基于自適應(yīng)動(dòng)量更新策略的Adams優(yōu)化算法的執(zhí)行流程。

    在算法1中,第2行計(jì)算出當(dāng)前梯度9t后,第3,4行分別計(jì)算9t的一階原點(diǎn)矩估計(jì)mt和二階原點(diǎn)矩估計(jì)vt,即一階動(dòng)量和二階動(dòng)量。在迭代初期,計(jì)算出的mt和vt都是有偏的,因此,分別在第5,6行對(duì)其進(jìn)行偏差修正。迭代后期,對(duì)梯度的矩估計(jì)逐漸變?yōu)闊o偏估計(jì),修正強(qiáng)度也逐漸降為1。算法1中第7行得到自適應(yīng)更新參數(shù)μ,用于mt和vt的自適應(yīng)更新。最后,在第8行完成模型參數(shù)的更新。此外,在最后1000次參數(shù)更新中將β1設(shè)置為0.9并未在算法1中詳細(xì)寫出。

    2 Adams算法收斂性證明

    為了證明Adams算法的收斂性,需要使用算法收斂性評(píng)判的標(biāo)準(zhǔn)定義,以及一些收斂性分析的常用假設(shè),在此基礎(chǔ)上,對(duì)Adams算法的收斂性進(jìn)行理論分析。

    定義1對(duì)于任意給定的未知凸代價(jià)函數(shù)系列f1(θ),f2(θ),…,f7(θ),算法在迭代中給出預(yù)測(cè)參數(shù)模型θt。用任意給定凸代價(jià)函數(shù)f1對(duì)其進(jìn)行評(píng)估,并使用收斂指標(biāo)R(T)來對(duì)算法進(jìn)行整體性的評(píng)估。當(dāng)T趨于無窮大時(shí),lim (R(T)/T)=0,則認(rèn)為此算法收斂。R(T)定義為

    至此,證得R(T)存在上界。根據(jù)定義1可得結(jié)論:Adams算法收斂。

    3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

    3.1 實(shí)驗(yàn)環(huán)境

    基于深度學(xué)習(xí)框架PyTorch實(shí)現(xiàn)了基于白適應(yīng)動(dòng)量更新策略的Adams算法,實(shí)驗(yàn)環(huán)境中的多個(gè)主要工具包的具體版本如表1所示。

    在reuters, MNIST. fashion MNIST, CIFARIO,CIFARIOO共5個(gè)公共數(shù)據(jù)集上,通過文本分類與圖像分類實(shí)驗(yàn),測(cè)試Adams算法的性能。其中,reuters是來自路透社的短新聞文本數(shù)據(jù)集;MNIST是手寫數(shù)字的灰度圖像數(shù)據(jù)集;fashionMNIST是包含不同種類商品的灰度圖像數(shù)據(jù)集;CIFARIO,CIFARIOO是包含不同種類物品的彩色圖像數(shù)據(jù)集。5個(gè)數(shù)據(jù)集的數(shù)據(jù)量、訓(xùn)練集與測(cè)試集劃分、數(shù)據(jù)特征如表2所示。

    3.2 算法對(duì)比實(shí)驗(yàn)與分析

    Adams算法通過自適應(yīng)動(dòng)量更新策略解決Adam算法不收斂問題的同時(shí),避免了AMSGrad算法中的白適應(yīng)學(xué)習(xí)率失效問題。因此,選取Adam算法和AMSGrad算法進(jìn)行對(duì)比實(shí)驗(yàn)。上述提及的算法均為白適應(yīng)學(xué)習(xí)率算法,而Wilson等[16]的研究表明,白適應(yīng)學(xué)習(xí)率算法得到模型的泛化能力通常不如帶動(dòng)量的SGD算法(SGD with momentum.簡(jiǎn)稱SGD),因此,將SGD算法也作為對(duì)比對(duì)象??紤]到不同算法在不同學(xué)習(xí)率、不同數(shù)據(jù)集的表現(xiàn)可能不同,算法均訓(xùn)練20輪,步長(zhǎng)均設(shè)置為64,學(xué)習(xí)率分別設(shè)置為0.0001,0.001,0.002,0.003,0.004,0.005,0.01,0.05,0.1,進(jìn)行多次實(shí)驗(yàn),并選取最佳結(jié)果作為實(shí)驗(yàn)結(jié)果。

    Adams算法的目的是幫助神經(jīng)網(wǎng)絡(luò)更快地訓(xùn)練出更好的模型。為了比較Adams算法在不同類型的神經(jīng)網(wǎng)絡(luò)中的表現(xiàn),也為了凸顯對(duì)比實(shí)驗(yàn)的對(duì)比性,在不同的數(shù)據(jù)集上,將使用不同的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在reuters,MNIST,fashion MNIST這3個(gè)相對(duì)較為簡(jiǎn)單的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)時(shí),使用僅包含一個(gè)線性層的全連接神經(jīng)網(wǎng)絡(luò)( fullyconnected neural network, FCNN)進(jìn)行訓(xùn)練,避免因?yàn)橛?xùn)練過快而導(dǎo)致實(shí)驗(yàn)結(jié)果失去對(duì)比性;在CIFARIO和CIFARIOO這2個(gè)相對(duì)復(fù)雜的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)時(shí),采用包含3個(gè)卷積模塊的卷積神經(jīng)網(wǎng)絡(luò)( convolutional neural networks,CNN),網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。本實(shí)驗(yàn)中所有的神經(jīng)網(wǎng)絡(luò)的輸出都通過softmax函數(shù)進(jìn)行歸一化處理,并使用交叉熵計(jì)算損失來進(jìn)行參數(shù)更新,具體訓(xùn)練結(jié)果如表3所示。Relu,softmax為激活函數(shù)。

    為了更為直觀地對(duì)比4種算法,圖2 以MNIST數(shù)據(jù)集為例,給出了4種算法的收斂過程,各算法學(xué)習(xí)率的設(shè)置與表3中相同。從圖2(a)可以看出,在MNIST數(shù)據(jù)集上,SGD的收斂速度最慢,另外3種算法的收斂速度相差不大,其中,Adams收斂速度略快。由圖2(b)可知,Adams算法在采用自適應(yīng)動(dòng)量更新策略后,得到了更為精細(xì)的收斂結(jié)果,明顯優(yōu)于SGD,Adam,AMSGrad這3種算法。

    在所有數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果如表3所示。從表3可以看出,Adams算法在5個(gè)不同數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)中均獲得了最高的分類準(zhǔn)確率。并且在訓(xùn)練了20輪之后,Adams均得到了最低的損失,這也說明其收斂速度更快。此外,Adams算法在FCNN.CNN兩類神經(jīng)網(wǎng)絡(luò)上都表現(xiàn)出了更好的性能;在文本分類任務(wù)(reuters)和圖片分類任務(wù)(MNIST, fashionMNIST. CIFAR10, CIFAR100)上也都表現(xiàn)出較好的性能,證明了Adams算法具有優(yōu)秀的泛化能力。

    3.3 消融實(shí)驗(yàn)與分析

    相比于Adam算法,Adams算法在自適應(yīng)動(dòng)量更新策略中進(jìn)行了3點(diǎn)改進(jìn),分別為:a.實(shí)現(xiàn)二階動(dòng)量自適應(yīng)更新;b.實(shí)現(xiàn)一階動(dòng)量參數(shù)在訓(xùn)練過程中的自適應(yīng)增加;c.在最后的參數(shù)更新階段采用較小的一階動(dòng)量更新參數(shù)。為了進(jìn)一步探究前2點(diǎn)改進(jìn)各自的作用,本文在Adam算法的基礎(chǔ)上分別單獨(dú)實(shí)現(xiàn)這2點(diǎn)改動(dòng),并分別記作Adams-a算法、Adams b算法,與Adams算法一起,在MNIST數(shù)據(jù)集上進(jìn)行消融實(shí)驗(yàn)。MNIST數(shù)據(jù)集內(nèi)數(shù)據(jù)特征簡(jiǎn)單,如果采用比較復(fù)雜的網(wǎng)絡(luò)進(jìn)行訓(xùn)練,在數(shù)次迭代后4種優(yōu)化算法都會(huì)達(dá)到較高的準(zhǔn)確率。為了使實(shí)驗(yàn)結(jié)果更加具有可比性,在消融實(shí)驗(yàn)中仍然使用僅包含1個(gè)線性層的全連接神經(jīng)網(wǎng)絡(luò),訓(xùn)練輪次為10次。消融實(shí)驗(yàn)的具體實(shí)驗(yàn)結(jié)果如圖3所示。

    由圖3(a)可知,在Adams a算法中實(shí)現(xiàn)二階動(dòng)量自適應(yīng)更新后,獲得了與Adams算法相近的損失與準(zhǔn)確率,但損失下降速度慢;由圖3(b)可知,在Adams b算法中實(shí)現(xiàn)一階動(dòng)量參數(shù)的自適應(yīng)增加后,得到了更快的損失下降速度,但最終模型損失較高,且準(zhǔn)確率較低。這些現(xiàn)象的出現(xiàn),也進(jìn)一步證明了:a.二階動(dòng)量的自適應(yīng)更新可以使Adams算法獲得更好的收斂結(jié)果;b.一階動(dòng)量更新參數(shù)在訓(xùn)練中自適應(yīng)增加,并在最后1 000次參數(shù)更新中設(shè)置為0.9,可以使Adams算法獲得更快的收斂速度。

    為了驗(yàn)證Adams算法中第3點(diǎn)改進(jìn)的有效性,將僅應(yīng)用前2點(diǎn)改進(jìn)的算法記作Adams c算法,并與Adams算法一起在MNIST上進(jìn)行消融實(shí)驗(yàn)。此實(shí)驗(yàn)是為了驗(yàn)證最終的收斂結(jié)果是否更加精細(xì),因此,采用早停法,當(dāng)Adams c算法出現(xiàn)訓(xùn)練次數(shù)增多而模型表現(xiàn)變差的情況時(shí)停止訓(xùn)練。Adams算法訓(xùn)練相同次數(shù)。除此之外,實(shí)驗(yàn)采用與算法對(duì)比實(shí)驗(yàn)相同的參數(shù)設(shè)置,實(shí)驗(yàn)結(jié)果如表4所示。從表4中數(shù)據(jù)可知,這一改動(dòng)可以略微提升模型的性能。

    4 結(jié)束語

    針對(duì)Adam算法中因?yàn)閷W(xué)習(xí)率震蕩導(dǎo)致的模型不收斂問題,以及AMSGrad算法中自適應(yīng)學(xué)習(xí)率失效的問題,提出了基于自適應(yīng)動(dòng)量更新策略的Adams算法。在Adams算法中,一方面通過為二階動(dòng)量引入自適應(yīng)更新參數(shù)來避免不收斂問題和自適應(yīng)學(xué)習(xí)率失效問題;另一方面使一階動(dòng)量在訓(xùn)練中自適應(yīng)增大來獲取更快的收斂速度,并在最后1000次參數(shù)更新期間采用較小的一階動(dòng)量更新參數(shù)來完成更加精細(xì)的收斂。

    為了對(duì)Adams算法進(jìn)行性能評(píng)估,在reuters,MNIST, fashion MNIST. CIFARIO. CIFARIOO共5個(gè)數(shù)據(jù)集上,與SGD,Adam,AMSGrad算法進(jìn)行對(duì)比。對(duì)比實(shí)驗(yàn)證明,Adams算法相比其他3種優(yōu)化算法,收斂速度更快、收斂結(jié)果更好。為了進(jìn)一步驗(yàn)證了Adams算法中2點(diǎn)改動(dòng)的有效性,在MNIST數(shù)據(jù)集上進(jìn)行消融實(shí)驗(yàn)。消融實(shí)驗(yàn)證明,二階動(dòng)量的自適應(yīng)更新可以使算法獲得更好的收斂結(jié)果;一階動(dòng)量更新參數(shù)的自適應(yīng)增大可以使算法獲得更快的收斂速度;在最后的參數(shù)更新階段中,采用較小的一階動(dòng)量更新參數(shù)可以使模型獲得更加精細(xì)的收斂結(jié)果。

    參考文獻(xiàn):

    [1] WANG M, DENG W H Deep face recognition:asurvey[J]. Neurocomputing, 2021, 429: 215-244.

    [2] ZHAO Z Q,ZHENG P,XU S T,et al.Object detectionwith deep leaming:a review[J]. IEEE Transactions onNeural Networks and Learning Systems, 2019, 30(11):3212-3232

    [3] SHEN X P,QIN R J.Searching and leaming Englishtranslation long text information based on heterogeneousmultiprocessors and data mining[J]. Microprocessors andMicrosYstems. 2021. 82: 103895.

    [4]張兆旭,劉成忠,基于IFOA-GRNN的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J]能源研究LJ信息,2020, 36(3): 162-166.

    [5]秦曉飛,鄭超陽,陳浩勝,等基于U型卷積網(wǎng)絡(luò)的視網(wǎng)膜血管分割方法[J]光學(xué)儀器,2021, 43(2): 24-30.

    [6] SEWAK M. SAHAY S K,RATHORE H.Comparison ofdeep leaming and the classical machine leamingalgorithm for the malware detection[C]//19th lEEE/ACISIntemational Conference on Software Engineering,Artificial Intelligence, Networking and Parallel/DistributedComputing. Busan: IEEE. 2018: 293-296

    [7] KINGMA D P,BA J.Adam:A method for stochasticoptimization[C]//3rd Intemational Conference on LeamingRepresentations. San Diego: ICLR, 2015: 1-15.

    [8] AITCHISON L Bayesian filtering unifies adaptive andnon-adaptive neural network optinuzation methods[C]//Proceedings of the 34th Intemational Conference on NeuralInformation Processing Systems. Vancouver: CurranAssociates Inc.2020: 18173-18182.

    [9] YI D,AHN J,JIS.An effective optimization method formachine leaming based on ADAM[J]. Applied Sciences,2020, 10(3): 1073-1093

    [10]周揚(yáng)帆.面向深度學(xué)習(xí)的隨機(jī)梯度優(yōu)化算法研究[D].洛陽:河南科技大學(xué),2020

    [11] SINGH B,DE S,ZHANG Y M Z,et al.Layer-specificadaptive learmng rates for deep networks[C]//IEEE 14thIntemational Conference on Machine Leaming andApplications. Miami: IEEE. 2015: 364-368.

    [12] REDDI S J,KALE S,KUMAR S.On the convergence ofAdam and beyond[C]//The 6th International Conference onLearning Representations. Vancouver: ICLR, 201 8: 1-23

    [13] WILSON A C,ROELOFS R,STERN M, et al.Themarginal value of adaptive gradient methods iIlmachine learning[C]//Proceedings of the 3 1 st InternationalConference on Neural Information Processing Systems.Long Beach: Curran Associates Inc. . 2017: 4151-4161.

    [14] DOZAT T. Incorporating nesterov momentum intoAdam[C]//The 4th Intemational Conference on LearningRepresentations. San Juan: Open Review. 2016: 1-4.

    [15] ILYA L. FRANK H. Fixing weight decay regularization inAdam[C]//The 6th International Conference on LearningRepresentations. Vancouver: Open Review. 2018: 1-14.

    [16] LOSHCHILOV I. HUTTER F. Decoupled weight decayregularization[C]//The 7th Intemational Conference onLearning Representation. New Orleans: ICLR. 2019: 1-4.

    [17] QURESHI M N. UMAR M S. SHAHAB S. A transfer-learning-based novel convolution neural network formelanoma classification[J] . Computers, 2022. 1 1(5): 64.

    [18] KESKAR N S. SOCHER R. Improving generalizationperfonnance by switching from Adam to SGD[DB/OL].[2017-12-20]. https://arXivpreprintarXiv:1712.07628.

    [19] ROBBINS H. MONRO S. A stochastic approximationmethod[J]. The Annals of Mathematical Statistics, 1951.22(3): 400-407.

    [20] SUTSKEVER I. MARTENS J. DAHL G. et al. On theimportance of initialization and momentum in deeplearning[C]//Proceedings of the 30th InternationalConference on International Conference on MachineLearning. Atlanta: JMLR. org, 2013: 1139-1147.

    [21] MARTENS J. Deep learning via hessian-free optimization[C]//Proceedings of the 27th Intemational Conference onMachine Leaming. Haifa: ICML. 2010: 735-742.

    猜你喜歡
    優(yōu)化算法
    淺議小學(xué)數(shù)學(xué)口算教學(xué)的有效策略
    云計(jì)算平臺(tái)聯(lián)合資源調(diào)度優(yōu)化算法研究
    PLC故障檢測(cè)優(yōu)化算法
    原子干涉磁力儀信號(hào)鑒頻優(yōu)化算法設(shè)計(jì)
    故障樹計(jì)算機(jī)輔助分析優(yōu)化算法研究與應(yīng)用
    混沌優(yōu)化算法在TSP問題的應(yīng)用
    基于混沌初始化和高斯擾動(dòng)的煙花算法
    再制造閉環(huán)供應(yīng)鏈研究現(xiàn)狀分析
    二進(jìn)制數(shù)轉(zhuǎn)十進(jìn)制優(yōu)化算法探討
    故障樹計(jì)算機(jī)輔助分析優(yōu)化算法的實(shí)踐應(yīng)用
    科技傳播(2016年3期)2016-03-25 00:23:31
    av天堂在线播放| 99国产综合亚洲精品| 母亲3免费完整高清在线观看| 在线观看免费午夜福利视频| 人妻丰满熟妇av一区二区三区 | 日韩中文字幕欧美一区二区| 手机成人av网站| 国产成人啪精品午夜网站| 亚洲综合色网址| a在线观看视频网站| 中亚洲国语对白在线视频| 亚洲一区二区三区欧美精品| 一区二区三区精品91| 波多野结衣一区麻豆| 亚洲人成伊人成综合网2020| 国产精品永久免费网站| 精品无人区乱码1区二区| 欧美精品一区二区免费开放| 国产麻豆69| 成熟少妇高潮喷水视频| 最新美女视频免费是黄的| netflix在线观看网站| 免费在线观看视频国产中文字幕亚洲| 在线观看舔阴道视频| 在线十欧美十亚洲十日本专区| 一级黄色大片毛片| 亚洲专区中文字幕在线| 在线视频色国产色| 日韩欧美一区二区三区在线观看 | 精品久久久久久久毛片微露脸| 美女国产高潮福利片在线看| 亚洲专区国产一区二区| 精品国产亚洲在线| 天天躁夜夜躁狠狠躁躁| 极品少妇高潮喷水抽搐| 啦啦啦免费观看视频1| 亚洲精品一二三| 成人免费观看视频高清| 国产成人精品无人区| 欧美日韩一级在线毛片| 大码成人一级视频| 成人18禁高潮啪啪吃奶动态图| 精品国产国语对白av| 国产精品一区二区精品视频观看| 999精品在线视频| 日本五十路高清| 日韩精品免费视频一区二区三区| 1024香蕉在线观看| 叶爱在线成人免费视频播放| 99riav亚洲国产免费| 99久久精品国产亚洲精品| 国产高清videossex| 精品高清国产在线一区| 日韩免费高清中文字幕av| 在线观看66精品国产| 飞空精品影院首页| 国产一区有黄有色的免费视频| 久久狼人影院| 国产主播在线观看一区二区| 精品一品国产午夜福利视频| 日韩三级视频一区二区三区| 十八禁网站免费在线| 成人亚洲精品一区在线观看| 国产欧美亚洲国产| 黑丝袜美女国产一区| 狠狠狠狠99中文字幕| 亚洲三区欧美一区| 久久精品国产a三级三级三级| 国产xxxxx性猛交| 啦啦啦免费观看视频1| 午夜福利乱码中文字幕| www.999成人在线观看| 久久中文字幕人妻熟女| 国产精品久久久久久人妻精品电影| 久久精品亚洲av国产电影网| 性少妇av在线| 精品欧美一区二区三区在线| 国产日韩一区二区三区精品不卡| 午夜91福利影院| 又黄又爽又免费观看的视频| 成人av一区二区三区在线看| 午夜福利视频在线观看免费| 日韩欧美三级三区| 免费观看人在逋| 18在线观看网站| 国产成人av教育| 高清在线国产一区| 黄网站色视频无遮挡免费观看| 动漫黄色视频在线观看| 午夜福利欧美成人| 黄色视频,在线免费观看| 99国产精品一区二区三区| 一级a爱片免费观看的视频| 一级a爱片免费观看的视频| 国产成人精品在线电影| 99热国产这里只有精品6| 高清在线国产一区| 欧美不卡视频在线免费观看 | 欧美精品亚洲一区二区| 老司机靠b影院| 国产淫语在线视频| 久久久国产精品麻豆| 久久久国产成人免费| 在线播放国产精品三级| 免费在线观看视频国产中文字幕亚洲| 成人国产一区最新在线观看| 亚洲精品久久成人aⅴ小说| 亚洲精品美女久久av网站| 一夜夜www| 99久久国产精品久久久| xxx96com| 亚洲国产精品合色在线| 十八禁高潮呻吟视频| 国产欧美日韩精品亚洲av| 又大又爽又粗| 欧美成人免费av一区二区三区 | 亚洲精品成人av观看孕妇| 自线自在国产av| 少妇被粗大的猛进出69影院| 国产精品av久久久久免费| 在线观看免费日韩欧美大片| 精品久久蜜臀av无| 国产1区2区3区精品| 一边摸一边做爽爽视频免费| 精品国产一区二区三区四区第35| 久久久国产精品麻豆| 69精品国产乱码久久久| 91大片在线观看| 老熟妇乱子伦视频在线观看| 老熟女久久久| 黄色视频不卡| 香蕉国产在线看| 9色porny在线观看| 老司机靠b影院| 日韩视频一区二区在线观看| 成人三级做爰电影| 国产99白浆流出| 视频区欧美日本亚洲| 18禁裸乳无遮挡动漫免费视频| 激情在线观看视频在线高清 | 久久国产亚洲av麻豆专区| 人人妻,人人澡人人爽秒播| 日本a在线网址| 黄色丝袜av网址大全| 999精品在线视频| 99精国产麻豆久久婷婷| 黑人欧美特级aaaaaa片| 精品久久久久久,| 视频在线观看一区二区三区| 亚洲av成人一区二区三| 久热这里只有精品99| 在线观看免费日韩欧美大片| 国产免费男女视频| 亚洲成av片中文字幕在线观看| 精品无人区乱码1区二区| 成年人午夜在线观看视频| 18禁国产床啪视频网站| 久久草成人影院| 亚洲精品一卡2卡三卡4卡5卡| 高清视频免费观看一区二区| 人妻久久中文字幕网| 中文亚洲av片在线观看爽 | 又黄又爽又免费观看的视频| 国产精品九九99| 亚洲精品乱久久久久久| 免费在线观看影片大全网站| 久久亚洲真实| 91精品国产国语对白视频| 国产精品久久久av美女十八| 桃红色精品国产亚洲av| 欧美乱色亚洲激情| 老汉色av国产亚洲站长工具| 国产精品久久电影中文字幕 | 99riav亚洲国产免费| 成人精品一区二区免费| 欧美午夜高清在线| 国产单亲对白刺激| 麻豆乱淫一区二区| а√天堂www在线а√下载 | 久久99一区二区三区| 91大片在线观看| av线在线观看网站| 久久精品亚洲av国产电影网| 成年人午夜在线观看视频| 亚洲成av片中文字幕在线观看| 欧美丝袜亚洲另类 | 欧美中文综合在线视频| 成人av一区二区三区在线看| 色精品久久人妻99蜜桃| 久久精品亚洲精品国产色婷小说| 亚洲成人国产一区在线观看| 久久草成人影院| 精品一区二区三区视频在线观看免费 | 岛国在线观看网站| 人人妻人人澡人人爽人人夜夜| 美女扒开内裤让男人捅视频| 日本五十路高清| 麻豆av在线久日| 国产精品久久久久成人av| 久久精品国产亚洲av香蕉五月 | 久久人人97超碰香蕉20202| 欧美日韩乱码在线| 人人澡人人妻人| 国产男靠女视频免费网站| 又大又爽又粗| 天天躁日日躁夜夜躁夜夜| 精品国产美女av久久久久小说| 午夜老司机福利片| 国产亚洲一区二区精品| 免费人成视频x8x8入口观看| 王馨瑶露胸无遮挡在线观看| 亚洲精品美女久久久久99蜜臀| 十分钟在线观看高清视频www| 一级黄色大片毛片| 中文字幕另类日韩欧美亚洲嫩草| 一级毛片精品| 国产蜜桃级精品一区二区三区 | 日韩精品免费视频一区二区三区| 操美女的视频在线观看| 老熟妇仑乱视频hdxx| 男女下面插进去视频免费观看| 黄色a级毛片大全视频| 亚洲国产毛片av蜜桃av| 国产极品粉嫩免费观看在线| 建设人人有责人人尽责人人享有的| 成在线人永久免费视频| 国产精品一区二区在线不卡| 欧美在线黄色| 性少妇av在线| 精品电影一区二区在线| 超色免费av| 香蕉久久夜色| 成人免费观看视频高清| 黄色a级毛片大全视频| 欧美在线黄色| 久久久精品国产亚洲av高清涩受| 美女视频免费永久观看网站| 亚洲七黄色美女视频| 亚洲色图综合在线观看| 日韩欧美一区视频在线观看| 亚洲免费av在线视频| 亚洲中文字幕日韩| 免费人成视频x8x8入口观看| 黄色毛片三级朝国网站| 国产高清激情床上av| 美女 人体艺术 gogo| 麻豆成人av在线观看| 俄罗斯特黄特色一大片| 亚洲精品久久午夜乱码| 日韩精品免费视频一区二区三区| 少妇的丰满在线观看| 悠悠久久av| 亚洲av欧美aⅴ国产| 亚洲成人手机| 99精品欧美一区二区三区四区| 大片电影免费在线观看免费| 黄色 视频免费看| 亚洲黑人精品在线| 色婷婷久久久亚洲欧美| 俄罗斯特黄特色一大片| 国产成人精品久久二区二区免费| 亚洲精品美女久久av网站| 男女高潮啪啪啪动态图| 精品一品国产午夜福利视频| 极品人妻少妇av视频| 一边摸一边做爽爽视频免费| 午夜福利,免费看| 久久天躁狠狠躁夜夜2o2o| 两个人免费观看高清视频| 少妇裸体淫交视频免费看高清 | 亚洲精品国产区一区二| av国产精品久久久久影院| 国产亚洲精品久久久久久毛片 | 亚洲情色 制服丝袜| 国产精品99久久99久久久不卡| 成年动漫av网址| 在线观看午夜福利视频| 久久青草综合色| 国产深夜福利视频在线观看| 狠狠婷婷综合久久久久久88av| 欧美中文综合在线视频| 精品国产亚洲在线| 国产免费现黄频在线看| 欧美丝袜亚洲另类 | 亚洲国产精品sss在线观看 | 久久午夜综合久久蜜桃| 亚洲片人在线观看| 精品国产一区二区久久| 久久久久久久国产电影| 一区在线观看完整版| 国产精品亚洲一级av第二区| 午夜福利在线观看吧| 一本大道久久a久久精品| 成人免费观看视频高清| 丁香六月欧美| 在线天堂中文资源库| 搡老乐熟女国产| 欧美在线黄色| 成熟少妇高潮喷水视频| 搡老岳熟女国产| 无人区码免费观看不卡| 黄色 视频免费看| a在线观看视频网站| 手机成人av网站| 国产av精品麻豆| 一级毛片精品| av有码第一页| 啦啦啦视频在线资源免费观看| 亚洲男人天堂网一区| 夫妻午夜视频| 久热这里只有精品99| 777米奇影视久久| 婷婷精品国产亚洲av在线 | 国产xxxxx性猛交| 99热网站在线观看| 国产亚洲精品第一综合不卡| 十分钟在线观看高清视频www| 久久人人97超碰香蕉20202| 波多野结衣一区麻豆| 亚洲中文字幕日韩| 国产精品偷伦视频观看了| 亚洲色图av天堂| 男女之事视频高清在线观看| 两性午夜刺激爽爽歪歪视频在线观看 | 中文字幕另类日韩欧美亚洲嫩草| 国产成+人综合+亚洲专区| 日韩熟女老妇一区二区性免费视频| 亚洲欧美日韩高清在线视频| 国产欧美日韩精品亚洲av| 欧美大码av| 亚洲精品久久成人aⅴ小说| 99久久综合精品五月天人人| 在线视频色国产色| 日本撒尿小便嘘嘘汇集6| 日韩制服丝袜自拍偷拍| 精品无人区乱码1区二区| 18禁观看日本| 黄色片一级片一级黄色片| 亚洲精品中文字幕在线视频| 久久香蕉激情| 久久久久久久国产电影| 国产精品秋霞免费鲁丝片| 大型黄色视频在线免费观看| 日本wwww免费看| 欧美日韩亚洲高清精品| 国产成人av教育| 大型黄色视频在线免费观看| 老司机午夜十八禁免费视频| 十八禁高潮呻吟视频| 久久这里只有精品19| 免费在线观看影片大全网站| 在线观看免费日韩欧美大片| 身体一侧抽搐| 一级作爱视频免费观看| 好男人电影高清在线观看| 午夜精品久久久久久毛片777| 欧美亚洲日本最大视频资源| 一级作爱视频免费观看| 欧美+亚洲+日韩+国产| 啪啪无遮挡十八禁网站| 午夜日韩欧美国产| 叶爱在线成人免费视频播放| 精品卡一卡二卡四卡免费| 两个人免费观看高清视频| 成人国语在线视频| 在线观看一区二区三区激情| 亚洲一区高清亚洲精品| 亚洲第一av免费看| √禁漫天堂资源中文www| 久久亚洲精品不卡| 欧美大码av| 免费在线观看完整版高清| 欧美久久黑人一区二区| 美女高潮喷水抽搐中文字幕| 免费观看精品视频网站| 久久久久久久午夜电影 | 99国产极品粉嫩在线观看| 国产麻豆69| 人人妻,人人澡人人爽秒播| 日韩一卡2卡3卡4卡2021年| 国产深夜福利视频在线观看| 首页视频小说图片口味搜索| 国产精品香港三级国产av潘金莲| 国内久久婷婷六月综合欲色啪| 日韩欧美一区视频在线观看| 大码成人一级视频| 久久精品国产亚洲av香蕉五月 | 久久精品人人爽人人爽视色| 天天躁日日躁夜夜躁夜夜| 久久中文字幕一级| 高清欧美精品videossex| 久久中文字幕一级| 曰老女人黄片| 亚洲国产欧美一区二区综合| 黑人巨大精品欧美一区二区mp4| a在线观看视频网站| 亚洲精品在线美女| bbb黄色大片| www.自偷自拍.com| 女人被狂操c到高潮| 丁香欧美五月| 高清在线国产一区| 一二三四社区在线视频社区8| 精品少妇久久久久久888优播| 日韩三级视频一区二区三区| 91九色精品人成在线观看| 中文字幕另类日韩欧美亚洲嫩草| 成年版毛片免费区| 91国产中文字幕| 国产一区二区三区视频了| 久99久视频精品免费| 久久精品国产a三级三级三级| 亚洲免费av在线视频| 国产真人三级小视频在线观看| 欧美另类亚洲清纯唯美| 久久中文看片网| 亚洲在线自拍视频| 一个人免费在线观看的高清视频| 国产免费男女视频| 国产精品久久视频播放| 老司机靠b影院| 国产精品秋霞免费鲁丝片| 午夜福利视频在线观看免费| 国产精品欧美亚洲77777| 在线免费观看的www视频| 久久青草综合色| 成人亚洲精品一区在线观看| 免费日韩欧美在线观看| 久久精品人人爽人人爽视色| 久久午夜综合久久蜜桃| 欧美乱色亚洲激情| 成人国产一区最新在线观看| 后天国语完整版免费观看| 变态另类成人亚洲欧美熟女 | av有码第一页| 国产精品 欧美亚洲| 日韩制服丝袜自拍偷拍| 国产精品偷伦视频观看了| 成年版毛片免费区| 精品国产乱码久久久久久男人| 免费一级毛片在线播放高清视频 | 一本综合久久免费| 日韩熟女老妇一区二区性免费视频| 久久人人爽av亚洲精品天堂| 亚洲精品久久成人aⅴ小说| 大码成人一级视频| 十八禁高潮呻吟视频| bbb黄色大片| 国产成人欧美| 亚洲五月婷婷丁香| 国产乱人伦免费视频| 亚洲欧美一区二区三区黑人| 精品国内亚洲2022精品成人 | 久久久久精品国产欧美久久久| avwww免费| 人妻久久中文字幕网| 久久国产精品男人的天堂亚洲| 久久久国产成人免费| 亚洲精品国产区一区二| 亚洲人成电影观看| 99国产精品99久久久久| 欧美日本中文国产一区发布| 男女高潮啪啪啪动态图| 国产一区在线观看成人免费| 欧美乱妇无乱码| 热re99久久精品国产66热6| 亚洲精品自拍成人| 免费日韩欧美在线观看| 免费高清在线观看日韩| av国产精品久久久久影院| 91精品三级在线观看| 亚洲情色 制服丝袜| 久久亚洲精品不卡| 欧美一级毛片孕妇| 一区福利在线观看| av片东京热男人的天堂| 国产欧美日韩一区二区三区在线| 国产精品成人在线| 久久精品亚洲精品国产色婷小说| а√天堂www在线а√下载 | 亚洲成人国产一区在线观看| 国产日韩一区二区三区精品不卡| 国产不卡一卡二| 99久久国产精品久久久| 丝瓜视频免费看黄片| 国产成人av教育| 精品电影一区二区在线| 日本一区二区免费在线视频| 久久精品国产a三级三级三级| 精品国产一区二区久久| ponron亚洲| 女警被强在线播放| 18禁观看日本| 一级作爱视频免费观看| 国产精品久久久久久精品古装| 18在线观看网站| 黑人巨大精品欧美一区二区mp4| 久久亚洲真实| 午夜激情av网站| 国产精品久久久久久人妻精品电影| 99国产精品一区二区三区| 天堂中文最新版在线下载| 美国免费a级毛片| 叶爱在线成人免费视频播放| 香蕉久久夜色| 亚洲九九香蕉| 在线观看舔阴道视频| 一个人免费在线观看的高清视频| 人成视频在线观看免费观看| av电影中文网址| 亚洲性夜色夜夜综合| 黄色丝袜av网址大全| 在线永久观看黄色视频| 日本一区二区免费在线视频| av天堂在线播放| 精品久久蜜臀av无| 999精品在线视频| 香蕉国产在线看| 精品国产超薄肉色丝袜足j| 丝袜人妻中文字幕| 黄色女人牲交| 国产成人精品无人区| 亚洲熟女精品中文字幕| 天堂俺去俺来也www色官网| 日韩有码中文字幕| 极品少妇高潮喷水抽搐| 欧美另类亚洲清纯唯美| 国产欧美日韩一区二区三| 我的亚洲天堂| 亚洲,欧美精品.| 真人做人爱边吃奶动态| 亚洲九九香蕉| 一边摸一边做爽爽视频免费| 久99久视频精品免费| 一级a爱片免费观看的视频| 黄片播放在线免费| 亚洲九九香蕉| 久久久久久免费高清国产稀缺| 99热网站在线观看| 精品乱码久久久久久99久播| 搡老熟女国产l中国老女人| 国产黄色免费在线视频| 99久久人妻综合| 国产精品永久免费网站| 久久久久久久午夜电影 | 露出奶头的视频| 美女国产高潮福利片在线看| 一级,二级,三级黄色视频| 久久人人97超碰香蕉20202| 色综合欧美亚洲国产小说| 亚洲,欧美精品.| 国产成+人综合+亚洲专区| a在线观看视频网站| 日韩制服丝袜自拍偷拍| 法律面前人人平等表现在哪些方面| 久久香蕉国产精品| 午夜激情av网站| 三级毛片av免费| 99re在线观看精品视频| 啦啦啦在线免费观看视频4| 一夜夜www| 超碰97精品在线观看| 精品久久蜜臀av无| 十八禁网站免费在线| 99国产精品一区二区三区| 波多野结衣一区麻豆| 国产真人三级小视频在线观看| 亚洲精品久久午夜乱码| 国产成人精品久久二区二区91| 老司机靠b影院| 人妻久久中文字幕网| 国产午夜精品久久久久久| 欧美日韩精品网址| 久久这里只有精品19| 在线永久观看黄色视频| 9191精品国产免费久久| 嫁个100分男人电影在线观看| 新久久久久国产一级毛片| 最新美女视频免费是黄的| 极品教师在线免费播放| 亚洲精品在线美女| 99久久综合精品五月天人人| 亚洲精品美女久久av网站| 欧美激情久久久久久爽电影 | 18禁裸乳无遮挡免费网站照片 | 午夜老司机福利片| 午夜福利一区二区在线看| 精品国产国语对白av| 桃红色精品国产亚洲av| tube8黄色片| xxxhd国产人妻xxx| 夜夜爽天天搞| av天堂在线播放| 久久热在线av| 高清黄色对白视频在线免费看| 老熟妇仑乱视频hdxx| 男女高潮啪啪啪动态图| 香蕉丝袜av| 女人被躁到高潮嗷嗷叫费观| 国产精品久久电影中文字幕 | 国产99久久九九免费精品| 老鸭窝网址在线观看| 午夜免费成人在线视频| 黄色a级毛片大全视频| 精品福利永久在线观看| 老熟女久久久| 国产在线精品亚洲第一网站| 日本a在线网址| 欧美+亚洲+日韩+国产| 国产日韩一区二区三区精品不卡| а√天堂www在线а√下载 | 国产激情久久老熟女| 国产精品自产拍在线观看55亚洲 | 两人在一起打扑克的视频| 一二三四社区在线视频社区8|