日韩精品一区二区三区在线视频放-无码中文字幕V?一区二区-成年片免费观看视频-国内少妇人妻丰满av-国产精品中文字幕免费观看-亚洲成人久久一区二区三区-国内少妇偷人精品视频无缓冲-一区二区国产精品日本一区二区三区在线网

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營的一線實(shí)戰(zhàn)洞察。

PyTorch入門實(shí)戰(zhàn):從線性回歸到離職預(yù)測神經(jīng)網(wǎng)絡(luò)

PyTorch入門實(shí)戰(zhàn):從線性回歸到離職預(yù)測神經(jīng)網(wǎng)絡(luò) 這次我們來看一份非常典型的 PyTorch 入門路線從最基礎(chǔ)的線性回歸一路做到二分類的“離職預(yù)測神經(jīng)網(wǎng)絡(luò)”最后把葉子節(jié)點(diǎn)、梯度報錯這些新手必踩的坑全部過一遍。這個選題在 CSDN 上被問得很多但多數(shù)教程只講理論或者只給片段代碼真正能跟著從環(huán)境搭建跑到模型訓(xùn)練、再跑通預(yù)測的完整鏈路反而不多。這篇文章會把整條鏈路拆開先講清楚 PyTorch 在本地訓(xùn)練需要什么硬件和軟件環(huán)境再分別用線性回歸和二分類兩個案例說明網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)、優(yōu)化器選擇和訓(xùn)練流程最后集中解決兩個高頻問題為什么變量會出現(xiàn)在計算圖的葉子節(jié)點(diǎn)上、梯度為什么突然變成 None 或者直接報錯。從技術(shù)定位上看PyTorch 是目前研究和工程落地都繞不開的深度學(xué)習(xí)框架。它的核心特點(diǎn)是動態(tài)計算圖、自動求導(dǎo)、張量運(yùn)算和模型部署生態(tài)完善。對剛接觸神經(jīng)網(wǎng)絡(luò)的人來說PyTorch 的調(diào)試體驗(yàn)比靜態(tài)圖框架更友好因?yàn)槟憧梢韵駥懫胀?Python 一樣在訓(xùn)練循環(huán)里打印中間結(jié)果也可以隨時把張量轉(zhuǎn)成 NumPy 數(shù)組做可視化。這篇文章不會去講 CNN、RNN、Transformer 那些后續(xù)內(nèi)容而是先把最基礎(chǔ)的兩類任務(wù)講透回歸任務(wù)里的線性回歸以及分類任務(wù)里的邏輯回歸式神經(jīng)網(wǎng)絡(luò)。這兩個案例一旦跑通后面再看卷積、循環(huán)、注意力結(jié)構(gòu)都會輕松很多。文章會按下面的順序展開先給出 PyTorch 本地開發(fā)的硬性環(huán)境要求再給出一套通用的安裝命令然后用一個線性回歸案例說明如何用 PyTorch 構(gòu)建最簡單的網(wǎng)絡(luò)并完成訓(xùn)練接著用“員工離職預(yù)測”這個二分類案例帶你構(gòu)建一個帶隱藏層的神經(jīng)網(wǎng)絡(luò)處理真實(shí)表格數(shù)據(jù)最后重點(diǎn)排查葉子節(jié)點(diǎn)和梯度報錯把原理和解決方案一起整理出來。全程代碼都可以復(fù)制運(yùn)行輸入數(shù)據(jù)也能自己構(gòu)造不需要額外下載大型數(shù)據(jù)集。1. 核心能力速覽能力項(xiàng)說明項(xiàng)目類型PyTorch 入門教程覆蓋線性回歸與二分類神經(jīng)網(wǎng)絡(luò)環(huán)境要求Python 3.8 以上PyTorch 2.x支持 CPU/GPU顯存需求CPU 可訓(xùn)練全部示例GPU 訓(xùn)練時顯存占用很低1GB 顯存即可滿足本文模型啟動方式Jupyter Notebook / PyCharm / VSCode 直接運(yùn)行 Python 腳本主要功能線性回歸建模、二分類預(yù)測、自動求導(dǎo)、模型保存加載核心難點(diǎn)解決葉子節(jié)點(diǎn)含義、梯度為 None、inplace 修改導(dǎo)致梯度報錯適合場景算法入門、課程作業(yè)、離職預(yù)測等表格二分類任務(wù)、PyTorch 基礎(chǔ)框架搭建這里說清楚一點(diǎn)本文所有示例模型都很小參數(shù)量在幾千到幾萬之間所以用 CPU 跑完全沒問題。如果你用的是 NVIDIA 顯卡且安裝了 CUDA 版 PyTorch訓(xùn)練時也能看到 GPU 參與運(yùn)算但對這類小模型來說GPU 加速優(yōu)勢并不明顯更多是為了驗(yàn)證環(huán)境配置是否正確。2. 適用場景與使用邊界這個教程適合誰主要有四類人群。第一類是剛開始接觸深度學(xué)習(xí)的學(xué)生和開發(fā)者想用 PyTorch 快速跑通一個完整的神經(jīng)網(wǎng)絡(luò)流程。第二類是工作中需要做表格數(shù)據(jù)預(yù)測的工程師比如人力資源數(shù)據(jù)分析、用戶流失預(yù)測、營銷響應(yīng)預(yù)測等都可以直接用二分類案例改一改。第三類是準(zhǔn)備面試算法崗的人理解葉子節(jié)點(diǎn)和梯度計算圖有助于應(yīng)對手撕反向傳播和調(diào)參問題。第四類是已經(jīng)在用 Keras 或 TensorFlow想遷移到 PyTorch 的人本文的代碼風(fēng)格能幫你快速熟悉 PyTorch 的聲明式網(wǎng)絡(luò)定義和訓(xùn)練循環(huán)。邊界也要說清楚。本文不會覆蓋 CNN 圖像分類、RNN 序列建模、Transformer 等進(jìn)階結(jié)構(gòu)。離職預(yù)測案例使用的是隨機(jī)生成的模擬數(shù)據(jù)目的是演示流程不是告訴你一套真實(shí)可用的 HR 模型。把案例接到真實(shí)業(yè)務(wù)數(shù)據(jù)時要確保數(shù)據(jù)獲取和使用的合規(guī)性尤其是涉及員工個人信息的必須脫敏并獲得授權(quán)。模型的預(yù)測結(jié)果只能作為輔助參考不能直接作為人事決策的唯一依據(jù)。另外本文示例只用于學(xué)習(xí)和測試環(huán)境驗(yàn)證不要在沒有經(jīng)過充分評估的情況下部署到生產(chǎn)系統(tǒng)。3. PyTorch 本地部署環(huán)境準(zhǔn)備在寫代碼之前先把環(huán)境搞定。下面這些檢查項(xiàng)適用于 Windows、Linux 和 macOS區(qū)別主要在安裝命令上。3.1 操作系統(tǒng)與 Python 版本W(wǎng)indows 10/11、Ubuntu 18.04 及以上、macOS 10.15 以上均可。Python 推薦 3.8、3.9、3.10 或 3.11。PyTorch 2.x 已經(jīng)放棄 Python 3.7所以不要再用舊版本。如果你用的是 Anaconda建議新建一個虛擬環(huán)境避免把基礎(chǔ)環(huán)境搞亂。3.2 顯卡與 CUDA訓(xùn)練本文的示例CPU 完全夠用所以不強(qiáng)制要求獨(dú)立顯卡。如果你有 NVIDIA 顯卡想驗(yàn)證 GPU 加速需要安裝顯卡驅(qū)動、CUDA Toolkit 和 cuDNN。注意 PyTorch 的 CUDA 版本和驅(qū)動版本要匹配。目前 PyTorch 官方對 CUDA 11.8、12.1、12.4 等版本都提供了預(yù)編譯包安裝時選一個適合自己驅(qū)動的即可。AMD 顯卡和 Intel 顯卡在最新版本 PyTorch 里也有實(shí)驗(yàn)性支持但對新手來說麻煩較多建議先用 CPU 熟悉流程。3.3 磁盤空間與內(nèi)存PyTorch CPU 版安裝包約 200MB 到 500MBGPU 版更大。加上 Python 環(huán)境和依賴預(yù)留 3GB 磁盤空間基本夠用。本文的模型和數(shù)據(jù)都很小內(nèi)存 8GB 即可流暢運(yùn)行。3.4 確認(rèn)端口與進(jìn)程本文以腳本教學(xué)為主不涉及 Web 服務(wù)因此不需要特別關(guān)注端口占用。如果你是在 Jupyter Notebook 中運(yùn)行注意 8888 端口是否被占用。啟動時若提示端口沖突可以換一個端口jupyter notebook --port 99993.5 驗(yàn)證硬件與 Python 環(huán)境的通用命令在安裝 PyTorch 前建議先確認(rèn) Python 版本和 pip 版本python --version pip --version nvidia-smi # 如果系統(tǒng)中有 NVIDIA 顯卡可以查看驅(qū)動和 CUDA 版本如果nvidia-smi提示找不到命令說明沒有 NVIDIA 驅(qū)動或者沒有安裝 GPU 顯卡直接用 CPU 版本就好。4. PyTorch 安裝部署與啟動方式PyTorch 的安裝方式非常靈活這里給出一套通用流程。如果你本機(jī)網(wǎng)絡(luò)狀況正常直接使用 pip 安裝是最快的。4.1 創(chuàng)建虛擬環(huán)境推薦使用 Anaconda 創(chuàng)建獨(dú)立環(huán)境避免依賴沖突conda create -n pytorch_learn python3.10 conda activate pytorch_learn如果不用 Anaconda也可以直接用 venv 創(chuàng)建python -m venv pytorch_learn # Windows pytorch_learn\Scripts\activate # Linux / macOS source pytorch_learn/bin/activate4.2 安裝 PyTorchCPU 版安裝命令pip install torch torchvision torchaudioGPU 版安裝命令需要到 PyTorch 官網(wǎng)按 CUDA 版本生成。下面以 CUDA 12.1 為例pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121如果你的顯卡較新建議選擇 cu124 或 cu130 版本具體名稱以官網(wǎng)為準(zhǔn)。安裝完成后驗(yàn)證是否可用python -c import torch; print(torch.__version__); print(torch.cuda.is_available())如果輸出True說明 GPU 可用輸出False不代表出錯只是當(dāng)前安裝的是 CPU 版本或驅(qū)動不匹配。4.3 其他依賴本文只需要 NumPy 和 Matplotlib方便數(shù)據(jù)處理和可視化pip install numpy matplotlib4.4 啟動開發(fā)環(huán)境安裝完成后你可以選擇以下任意一種方式運(yùn)行本文代碼Jupyter Notebook在終端輸入jupyter notebook適合分塊調(diào)試。VSCode 或 PyCharm直接創(chuàng)建.py文件運(yùn)行適合整體測試。命令行運(yùn)行python train.py。對新手來說Jupyter Notebook 最適合學(xué)習(xí)因?yàn)榭梢灾鸩讲榭疵總€張量的形狀和數(shù)值。5. 線性回歸案例用 PyTorch 實(shí)現(xiàn)最小二乘思想線性回歸是理解神經(jīng)網(wǎng)絡(luò)的第一步。從本質(zhì)上講一個不帶激活函數(shù)、不帶隱藏層的線性層就是線性回歸模型。我們先把線性回歸跑通再進(jìn)入二分類網(wǎng)絡(luò)。5.1 問題定義假設(shè)我們有一組樣本特征x與目標(biāo)值y近似滿足線性關(guān)系y 3 * x 2 noise我們要訓(xùn)練一個模型通過數(shù)據(jù)學(xué)習(xí)出參數(shù)w和b讓模型輸出盡可能接近真實(shí)y。5.2 構(gòu)造訓(xùn)練數(shù)據(jù)import torch import matplotlib.pyplot as plt # 固定隨機(jī)種子保證結(jié)果可復(fù)現(xiàn) torch.manual_seed(42) # 生成 100 個樣本 x torch.linspace(0, 10, 100).reshape(-1, 1) # 真實(shí) w 3, b 2加入噪聲 true_w 3.0 true_b 2.0 y true_w * x true_b torch.randn_like(x) * 1.5 plt.scatter(x.numpy(), y.numpy(), alpha0.6) plt.xlabel(x) plt.ylabel(y) plt.title(Linear Regression Data) plt.show()這里x的形狀是(100, 1)表示 100 個樣本、每個樣本 1 個特征。y的形狀也是(100, 1)。5.3 定義模型PyTorch 中定義模型的標(biāo)準(zhǔn)方式是繼承torch.nn.Moduleimport torch.nn as nn class LinearRegressionModel(nn.Module): def __init__(self): super().__init__() self.linear nn.Linear(in_features1, out_features1) def forward(self, x): return self.linear(x)這里nn.Linear就是全連接層也叫線性層。輸入維度為 1輸出維度為 1內(nèi)部會自動初始化權(quán)重和偏置。5.4 定義損失函數(shù)和優(yōu)化器回歸任務(wù)默認(rèn)使用均方誤差損失nn.MSELossmodel LinearRegressionModel() criterion nn.MSELoss() optimizer torch.optim.SGD(model.parameters(), lr0.01)SGD是隨機(jī)梯度下降學(xué)習(xí)率設(shè)為 0.01。對線性回歸這種簡單任務(wù)這個學(xué)習(xí)率很安全。5.5 訓(xùn)練循環(huán)epochs 500 for epoch in range(epochs): # 前向傳播 y_pred model(x) loss criterion(y_pred, y) # 反向傳播前先把梯度清零 optimizer.zero_grad() # 反向傳播計算各參數(shù)梯度 loss.backward() # 更新參數(shù) optimizer.step() if (epoch 1) % 100 0: print(fEpoch [{epoch1}/{epochs}], Loss: {loss.item():.4f})這里特別注意optimizer.zero_grad()的位置。如果不清零梯度上一次反向傳播計算出的梯度會累加到新一輪上導(dǎo)致參數(shù)更新不穩(wěn)定最終模型發(fā)散。5.6 查看訓(xùn)練結(jié)果訓(xùn)練完成后打印模型參數(shù)w model.linear.weight.item() b model.linear.bias.item() print(fLearned w: {w:.4f}, b: {b:.4f})如果一切正常w會接近 3.0b會接近 2.0。用訓(xùn)練好的模型做預(yù)測x_test torch.tensor([[5.0], [7.5], [10.0]]) y_test_pred model(x_test) print(y_test_pred)5.7 線性回歸總結(jié)這個案例展示的完整流程包括構(gòu)造數(shù)據(jù)、定義模型、選擇損失函數(shù)、選擇優(yōu)化器、多輪訓(xùn)練、參數(shù)查看和推理預(yù)測。這套流程在后續(xù)所有 PyTorch 模型中都是一樣的變化的部分是網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)。6. 二分類案例搭建離職預(yù)測神經(jīng)網(wǎng)絡(luò)接下來進(jìn)入本文的重頭戲用 PyTorch 搭建一個帶隱藏層的神經(jīng)網(wǎng)絡(luò)完成一個“員工離職預(yù)測”的二分類任務(wù)。這類任務(wù)在實(shí)際工作中非常常見很多數(shù)據(jù)分析崗的筆試也喜歡出類似的題。6.1 問題定義與數(shù)據(jù)說明離職預(yù)測本質(zhì)上是一個二分類問題根據(jù)員工的特征比如滿意度、項(xiàng)目數(shù)、月薪、工齡、是否加班等預(yù)測員工是否離職。標(biāo)簽為 1 表示離職0 表示未離職。為了演示流程我們不使用真實(shí)的人事數(shù)據(jù)而是用 PyTorch 隨機(jī)生成模擬數(shù)據(jù)。這樣做的好處是可以控制數(shù)據(jù)分布和難度方便驗(yàn)證模型能否收斂。使用真實(shí)數(shù)據(jù)時你需要把特征和標(biāo)簽準(zhǔn)備好并完成標(biāo)準(zhǔn)化和數(shù)據(jù)集劃分。6.2 生成模擬數(shù)據(jù)集假設(shè)每個樣本有 6 個特征滿意度(satisfaction) 最近一次考核評分(evaluation) 項(xiàng)目數(shù)(project_count) 平均月薪(monthly_salary) 工作年限(tenure) 是否加班(over_time)我們用隨機(jī)數(shù)生成樣本并設(shè)置一個模擬的線性決策邊界來生成標(biāo)簽。注意這里的標(biāo)簽不是完全線性可分加入噪聲后更接近真實(shí)場景。import torch import torch.nn as nn from torch.utils.data import DataLoader, TensorDataset import numpy as np # 固定隨機(jī)種子 torch.manual_seed(0) np.random.seed(0) n_samples 1000 n_features 6 # 隨機(jī)生成特征 X torch.randn(n_samples, n_features) # 模擬真實(shí)權(quán)重 true_w torch.tensor([[1.2], [-0.8], [0.5], [0.3], [-1.0], [2.0]]) # 生成 logit logits X true_w 0.3 # 通過 sigmoid 得到概率 prob torch.sigmoid(logits) # 按 0.5 閾值生成標(biāo)簽 y (prob 0.5).float()這里X true_w是矩陣乘法torch.sigmoid將輸出壓縮到 0-1 之間。標(biāo)簽生成后隨機(jī)打亂并劃分訓(xùn)練集和測試集。6.3 劃分訓(xùn)練集和測試集# 打亂數(shù)據(jù) indices torch.randperm(n_samples) X X[indices] y y[indices] # 前 800 個作為訓(xùn)練集后 200 個作為測試集 X_train, X_test X[:800], X[800:] y_train, y_test y[:800], y[800:] # 封裝成 Dataset 和 DataLoader train_dataset TensorDataset(X_train, y_train) test_dataset TensorDataset(X_test, y_test) batch_size 32 train_loader DataLoader(train_dataset, batch_sizebatch_size, shuffleTrue) test_loader DataLoader(test_dataset, batch_sizebatch_size)DataLoader是 PyTorch 提供的批量數(shù)據(jù)加載工具。設(shè)置shuffleTrue可以在每個 epoch 開始時打亂數(shù)據(jù)提高訓(xùn)練穩(wěn)定性。6.4 定義一個帶隱藏層的神經(jīng)網(wǎng)絡(luò)離職預(yù)測的特征只有 6 個不需要很深的網(wǎng)絡(luò)。設(shè)計一個 3 層網(wǎng)絡(luò)輸入層 6 個神經(jīng)元隱藏層 8 個神經(jīng)元輸出層 1 個神經(jīng)元。隱藏層使用 ReLU 激活函數(shù)輸出層由于是二分類先不接激活函數(shù)在損失函數(shù)中用BCEWithLogitsLoss統(tǒng)一處理。class LeavePredictionNet(nn.Module): def __init__(self, input_dim6, hidden_dim8, output_dim1): super().__init__() self.fc1 nn.Linear(input_dim, hidden_dim) self.fc2 nn.Linear(hidden_dim, output_dim) self.relu nn.ReLU() def forward(self, x): # 第一層 - 激活 x self.relu(self.fc1(x)) # 第二層輸出 logits x self.fc2(x) return x為什么不直接在最后一層加 Sigmoid因?yàn)锽CEWithLogitsLoss會把 Sigmoid 和交叉熵?fù)p失合并計算數(shù)值上更穩(wěn)定。如果手動加 Sigmoid再使用BCELoss在某些情況下會出現(xiàn)梯度消失或數(shù)值不穩(wěn)定的問題。這也是新手容易踩的坑。6.5 定義損失函數(shù)與優(yōu)化器model LeavePredictionNet() criterion nn.BCEWithLogitsLoss() optimizer torch.optim.Adam(model.parameters(), lr0.01)這里不使用 SGD而是用 Adam。Adam 自帶自適應(yīng)學(xué)習(xí)率對新手更友好收斂也更快。6.6 訓(xùn)練循環(huán)包含驗(yàn)證epochs 100 for epoch in range(epochs): model.train() total_loss 0.0 for X_batch, y_batch in train_loader: # 前向傳播 logits model(X_batch) loss criterion(logits, y_batch) # 清零梯度 optimizer.zero_grad() # 反向傳播 loss.backward() # 更新參數(shù) optimizer.step() total_loss loss.item() * X_batch.size(0) avg_loss total_loss / len(train_dataset) # 每 20 個 epoch 在測試集上計算準(zhǔn)確率 if (epoch 1) % 20 0: model.eval() with torch.no_grad(): test_logits model(X_test) test_probs torch.sigmoid(test_logits) preds (test_probs 0.5).float() acc (preds y_test).float().mean().item() print(fEpoch {epoch1}/{epochs}, Loss: {avg_loss:.4f}, Test Acc: {acc:.4f})注意model.train()和model.eval()的使用。雖然這個簡單網(wǎng)絡(luò)沒有 Dropout 和 BatchNorm但養(yǎng)成這個習(xí)慣對后續(xù)復(fù)雜模型很重要。torch.no_grad()用于推理階段停止計算圖追蹤節(jié)省顯存和內(nèi)存。6.7 測試模型并輸出預(yù)測結(jié)果訓(xùn)練完成后我們可以對測試集做一次整體評估并且模擬“預(yù)測一條新樣本”model.eval() with torch.no_grad(): test_logits model(X_test) test_probs torch.sigmoid(test_logits) preds (test_probs 0.5).float() accuracy (preds y_test).float().mean().item() print(fFinal Test Accuracy: {accuracy:.4f}) # 構(gòu)造一條新樣本 new_sample torch.tensor([[0.8, 0.6, 3.0, 12000.0, 2.0, 1.0]]) with torch.no_grad(): logit model(new_sample) prob torch.sigmoid(logit).item() print(f離職概率: {prob:.4f})如果概率大于 0.5可以認(rèn)為模型預(yù)測該員工可能離職。這里的“新樣本”特征范圍和訓(xùn)練數(shù)據(jù)不一致也沒關(guān)系模型只是做數(shù)學(xué)計算但在實(shí)際使用時必須對輸入做與訓(xùn)練時相同的標(biāo)準(zhǔn)化處理。6.8 二分類案例總結(jié)這個案例完整展示了 PyTorch 處理表格二分類問題的標(biāo)準(zhǔn)流程生成/加載數(shù)據(jù)、構(gòu)建 Dataset 和 DataLoader、定義nn.Module子類網(wǎng)絡(luò)、使用BCEWithLogitsLoss和 Adam、訓(xùn)練時清零梯度、推理時使用no_grad。這套流程可以直接復(fù)用到其他二分類任務(wù)上只需要改特征維度和數(shù)據(jù)導(dǎo)入部分。7. 葉子節(jié)點(diǎn)問題為什么變量不可求梯度很多初學(xué)者在訓(xùn)練時會對模型的輸入或者某個中間結(jié)果調(diào)用backward()然后遇到各種奇怪報錯。其中最常見的一類就是“葉子節(jié)點(diǎn)leaf node”問題。我們先搞清楚葉子節(jié)點(diǎn)的定義再看實(shí)際場景。7.1 什么是葉子節(jié)點(diǎn)在 PyTorch 的自動求導(dǎo)機(jī)制里只有葉子節(jié)點(diǎn)才能調(diào)用backward()并且只有葉子節(jié)點(diǎn)在反向傳播后會得到.grad。葉子節(jié)點(diǎn)通常指由用戶直接創(chuàng)建的張量且設(shè)置requires_gradTrue而不是由其他張量運(yùn)算得到的張量。舉個例子w torch.tensor([2.0], requires_gradTrue) # 葉子節(jié)點(diǎn) x torch.tensor([3.0]) # 葉子節(jié)點(diǎn)但不需要梯度 y w * x # 非葉子節(jié)點(diǎn) z y.sum() z.backward() print(w.grad) # 可以打印 print(y.grad) # y 是非葉子節(jié)點(diǎn)默認(rèn)不保存梯度輸出 None這里w是葉子節(jié)點(diǎn)w.grad會保存梯度。y是由w和x計算出來的中間變量它不是葉子節(jié)點(diǎn)默認(rèn)不會保存梯度因此y.grad是None。7.2 葉子節(jié)點(diǎn)問題在神經(jīng)網(wǎng)絡(luò)中的表現(xiàn)在標(biāo)準(zhǔn)訓(xùn)練循環(huán)中輸入數(shù)據(jù)X_batch不需要梯度模型的參數(shù)w、b才是葉子節(jié)點(diǎn)。所以優(yōu)化器更新的是model.parameters()而不是輸入數(shù)據(jù)。但有些新手會誤把輸入數(shù)據(jù)設(shè)置成requires_gradTrue然后對輸出調(diào)用backward()試圖查看輸入的梯度。此時X_batch是葉子節(jié)點(diǎn)可以求.grad但如果你想對一個中間層的輸出求.grad就會遇到“非葉子節(jié)點(diǎn)不保存梯度”的問題。解決辦法有兩個在反向傳播前調(diào)用middle.retain_grad()讓 PyTorch 保留中間變量的梯度。不要讓中間層參與不必要的detach()或原地修改否則梯度鏈會斷開。7.3 葉子節(jié)點(diǎn)修改導(dǎo)致的報錯另一個常見問題是RuntimeError: a leaf Variable that requires grad is being used in an in-place operation.這個錯誤的意思是一個要求梯度的葉子節(jié)點(diǎn)被原地操作修改了。比如w torch.tensor([2.0], requires_gradTrue) w 1.0 # 報錯因?yàn)?w 是葉子節(jié)點(diǎn)且 requires_gradTrue解決方案是避免對葉子節(jié)點(diǎn)原地修改。如果確實(shí)需要修改可以先把requires_grad設(shè)為False或者使用w.data操作不推薦。在訓(xùn)練循環(huán)中最常見的錯誤來源是在優(yōu)化器更新時手動寫了w - lr * w.grad這種寫法不會觸發(fā)葉子節(jié)點(diǎn) in-place 報錯但模型封裝后更推薦用optimizer.step()。7.4 為什么模型參數(shù)不會觸發(fā)這個報錯因?yàn)閚n.Linear內(nèi)部的參數(shù)weight和bias是葉子節(jié)點(diǎn)。optimizer.zero_grad()、loss.backward()、optimizer.step()內(nèi)部使用的都是非 in-place 的賦值操作所以不會破壞計算圖。新手不要試圖自己編寫參數(shù)更新邏輯交給優(yōu)化器是最安全的。8. 梯度報錯排查從 None 到 NaN梯度相關(guān)報錯是 PyTorch 入門階段最大的攔路虎。下面把最常見的幾種情況整理成清單按現(xiàn)象分類解決。8.1 梯度為 None如果你在訓(xùn)練后打印某個參數(shù)的梯度發(fā)現(xiàn)是None常見原因有三種。第一反向傳播沒有執(zhí)行即沒有調(diào)用loss.backward()。第二該參數(shù)沒有參與計算圖的構(gòu)建。比如定義了某個nn.Linear但前向傳播時沒有使用它梯度自然為 None。第三在torch.no_grad()或model.eval()模式下執(zhí)行了訓(xùn)練導(dǎo)致計算圖沒有被構(gòu)建。排查方式可以這樣寫for name, param in model.named_parameters(): if param.grad is None: print(f{name} has no grad)如果某層參數(shù)確實(shí)需要訓(xùn)練但梯度為 None檢查前向傳播是否真的調(diào)用了這個層。8.2 梯度為 NaN 或 Inf梯度出現(xiàn) NaN 或 Inf通常與學(xué)習(xí)率過大、損失函數(shù)計算方式不對、輸入數(shù)據(jù)包含 NaN 值有關(guān)。解決辦法調(diào)小學(xué)習(xí)率比如從 0.01 調(diào)到 0.001。檢查輸入數(shù)據(jù)是否有NaN或Inf。檢查損失函數(shù)是否適合當(dāng)前任務(wù)?;貧w用MSELoss二分類用BCEWithLogitsLoss多分類用CrossEntropyLoss不要混用。檢查網(wǎng)絡(luò)輸出是否經(jīng)過不合適的激活函數(shù)比如回歸任務(wù)輸出層最好不要加Sigmoid。8.3 梯度爆炸導(dǎo)致訓(xùn)練不穩(wěn)定梯度爆炸在深層網(wǎng)絡(luò)中更常見但小模型如果學(xué)習(xí)率太大也會發(fā)生。表現(xiàn)為 loss 突然跳到極大值然后變成 NaN。解決方式降低學(xué)習(xí)率。使用梯度裁剪例如torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0)。更換優(yōu)化器比如從 SGD 換成 Adam或者從 Adam 換成 AdamW。8.4requires_grad設(shè)置不當(dāng)有些人在加載預(yù)訓(xùn)練模型或構(gòu)建特征時手動設(shè)置requires_gradFalse然后發(fā)現(xiàn)訓(xùn)練過程中參數(shù)不更新。這時需要確認(rèn)你設(shè)置的層是否在優(yōu)化器列表中。# 查看模型當(dāng)前參數(shù)是否需要梯度 for name, param in model.named_parameters(): print(name, param.requires_grad)如果輸出了False說明該層被凍結(jié)不會更新。8.5 梯度清零問題如果忘記調(diào)用optimizer.zero_grad()梯度會在多次迭代中累加導(dǎo)致 loss 曲線震蕩甚至上升。正確寫法是在每次backward()之前調(diào)用optimizer.zero_grad()而不是在之后。這個順序非常關(guān)鍵。8.6 梯度報錯完整排查流程表問題現(xiàn)象可能原因排查方式解決方案某個參數(shù).grad為 None未調(diào)用 backward、參數(shù)未參與計算、在 no_grad 下訓(xùn)練打印參數(shù)名和 grad確保前向傳播使用該層檢查代碼縮進(jìn)和函數(shù)調(diào)用梯度為 NaN學(xué)習(xí)率過大、輸入有 NaN、損失函數(shù)不匹配打印 loss、檢查數(shù)據(jù)調(diào)小學(xué)習(xí)率清洗數(shù)據(jù)更換損失函數(shù)梯度爆炸深層網(wǎng)絡(luò)、學(xué)習(xí)率過大查看歷史梯度范數(shù)調(diào)低學(xué)習(xí)率使用梯度裁剪葉子節(jié)點(diǎn) in-place 報錯對 requires_grad 的張量原地修改查看報錯堆棧定位修改行使用新張量賦值或先 detach或交給優(yōu)化器更新loss 不下降學(xué)習(xí)率太小、梯度為 None、數(shù)據(jù)未歸一化打印梯度范數(shù)和 loss調(diào)大學(xué)習(xí)率或換優(yōu)化器歸一化數(shù)據(jù)檢查前向傳播邏輯訓(xùn)練集準(zhǔn)確率高但測試集低過擬合觀察訓(xùn)練和測試 loss 曲線增加數(shù)據(jù)量、增加 Dropout、正則化9. 資源占用與性能觀察雖然本文示例模型很小不需要刻意追求性能但觀察資源占用對后續(xù)學(xué)習(xí)很重要。9.1 如何觀察顯存占用如果使用 GPU 訓(xùn)練可以在代碼中打印顯存占用print(torch.cuda.memory_allocated() / 1024**2, MB)本文的模型顯存占用可以忽略不計。真實(shí)場景中圖像模型動輒占用 4GB 到 12GB視頻模型更高。要判斷一個模型是否能跑先看參數(shù)量再看 batch size 和分辨率。9.2 CPU 推理與 GPU 推理CPU 推理適合小模型和低延遲場景。GPU 推理在大 batch、高分辨率、大模型下優(yōu)勢明顯。對于本文的離職預(yù)測網(wǎng)絡(luò)CPU 單次推理耗時在毫秒級GPU 反而可能因?yàn)閿?shù)據(jù)傳輸開銷更慢。所以不要盲目追求 GPU。9.3 影響訓(xùn)練速度的關(guān)鍵參數(shù)數(shù)據(jù)量樣本越多每個 epoch 耗時越長。Batch Size越大梯度越穩(wěn)定但單步計算量越大。網(wǎng)絡(luò)層數(shù)和寬度影響參數(shù)量和計算量。Epoch 數(shù)量越多訓(xùn)練時間越長。數(shù)據(jù)加載方式DataLoader的num_workers可以并行加載數(shù)據(jù)。9.4 如何降低顯存占用減小 batch size。使用torch.no_grad()包裹推理過程。減少中間變量的保存可以在不需要梯度時用detach()。使用低精度訓(xùn)練比如torch.float16但這需要顯卡支持。9.5 避免端口沖突與進(jìn)程殘留本教程不涉及 Web 服務(wù)但如果你用 Jupyter Notebook長時間訓(xùn)練后可能殘留 Python 進(jìn)程占用內(nèi)存。觀察任務(wù)管理器或ps命令可以找出殘留進(jìn)程并及時清理。10. 常見問題與排查方法下面把入門階段最常見的現(xiàn)象整理成表格方便對照排查。問題現(xiàn)象可能原因排查方式解決方案安裝 PyTorch 失敗pip 版本過低、網(wǎng)絡(luò)不穩(wěn)定升級 pip換國內(nèi)鏡像源pip install --upgrade pip使用-i https://pypi.tuna.tsinghua.edu.cn/simpletorch.cuda.is_available()返回 False安裝了 CPU 版、驅(qū)動不匹配查看當(dāng)前安裝版本安裝對應(yīng) CUDA 版本更新顯卡驅(qū)動運(yùn)行代碼報ModuleNotFoundError: No module named torch虛擬環(huán)境未激活或未安裝檢查當(dāng)前 Python 路徑pip list查看包列表重新安裝打印機(jī)到 loss 一直是 NaN數(shù)據(jù)有 NaN、學(xué)習(xí)率過大打印輸入數(shù)據(jù)和 loss檢查數(shù)據(jù)調(diào)低學(xué)習(xí)率訓(xùn)練 loss 下降但準(zhǔn)確率不變標(biāo)簽不平橫、模型容量不足打印預(yù)測分布調(diào)整標(biāo)簽閾值加大隱藏層backward()報錯element 0 of tensors does not require grad損失張量沒有requires_gradTrue檢查損失來源確認(rèn)模型參數(shù)要求梯度確認(rèn)數(shù)據(jù)不是整數(shù)類型模型預(yù)測結(jié)果全是 0 或全是 1數(shù)據(jù)嚴(yán)重不平衡統(tǒng)計標(biāo)簽分布使用類別權(quán)重或過采樣/欠采樣同一份代碼在不同機(jī)器上結(jié)果不同隨機(jī)種子未固定設(shè)置隨機(jī)種子torch.manual_seed(0)、np.random.seed(0)11. 最佳實(shí)踐與使用建議這部分不是空話而是從實(shí)際踩坑中總結(jié)出來的工程化經(jīng)驗(yàn)。11.1 先跑最小模型再往上加復(fù)雜度第一次接觸新任務(wù)不要直接堆大網(wǎng)絡(luò)。先用一個線性層或一層隱藏層把數(shù)據(jù)流跑通確認(rèn) loss 能下降再增加層數(shù)和特征。這樣做的好處是如果出問題你能快速定位是網(wǎng)絡(luò)結(jié)構(gòu)問題還是數(shù)據(jù)問題。11.2 固定隨機(jī)種子保證可復(fù)現(xiàn)訓(xùn)練神經(jīng)網(wǎng)絡(luò)涉及隨機(jī)初始化、數(shù)據(jù)打亂、Dropout 等隨機(jī)過程。在代碼開頭固定隨機(jī)種子可以讓你對比不同改動下的效果torch.manual_seed(42) np.random.seed(42)11.3 歸一化輸入特征線性回歸和神經(jīng)網(wǎng)絡(luò)都對特征尺度敏感。如果輸入特征之間數(shù)值差異很大比如滿意度是 0-1月薪是幾千到幾萬模型會很難收斂。建議對每個特征做標(biāo)準(zhǔn)化from sklearn.preprocessing import StandardScaler scaler StandardScaler() X_scaled scaler.fit_transform(X)訓(xùn)練完模型后推理時也必須使用同一個scaler對輸入做轉(zhuǎn)換否則預(yù)測結(jié)果會失真。11.4 模型保存與加載訓(xùn)練完成后保存模型有兩種方式。推薦只保存狀態(tài)字典# 保存 torch.save(model.state_dict(), leave_model.pth) # 加載 model LeavePredictionNet() model.load_state_dict(torch.load(leave_model.pth, weights_onlyTrue)) model.eval()注意新版 PyTorch 推薦在torch.load中設(shè)置weights_onlyTrue避免加載惡意 pickle 文件帶來的安全風(fēng)險。11.5 訓(xùn)練日志與斷點(diǎn)續(xù)訓(xùn)如果訓(xùn)練時間較長建議在日志中記錄當(dāng)前 epoch、loss、準(zhǔn)確率并定期保存模型if epoch % 50 0: torch.save(model.state_dict(), fcheckpoint_epoch{epoch}.pth)這樣即使程序中斷也可以從最近的檢查點(diǎn)繼續(xù)訓(xùn)練。11.6 批量任務(wù)設(shè)計思路如果你想把離職預(yù)測應(yīng)用到多份數(shù)據(jù)文件比如每個部門一份 CSV可以寫一個批量處理腳本遍歷所有文件依次讀取、預(yù)測、輸出結(jié)果并在每個文件預(yù)測時加入異常捕獲避免一個文件導(dǎo)致整個任務(wù)中斷。import os import pandas as pd input_dir ./data output_dir ./output os.makedirs(output_dir, exist_okTrue) for file_name in os.listdir(input_dir): if not file_name.endswith(.csv): continue try: df pd.read_csv(os.path.join(input_dir, file_name)) # 這里進(jìn)行特征標(biāo)準(zhǔn)化注意使用訓(xùn)練時的 scaler # 批量預(yù)測并寫入結(jié)果 print(fProcessed {file_name}) except Exception as e: print(fFailed {file_name}: {e})11.7 合規(guī)與隱私提醒如果離職預(yù)測案例要使用真實(shí)員工數(shù)據(jù)必須注意以下三點(diǎn)第一數(shù)據(jù)必須經(jīng)過脫敏處理去除姓名、身份證號、手機(jī)號等個人信息第二特征選擇應(yīng)避免涉及種族、宗教、政治觀點(diǎn)等敏感屬性防止模型產(chǎn)生歧視第三模型輸出只能作為管理決策的輔助參考不能直接作為裁員或晉升的自動化依據(jù)。涉及人臉、聲音、版權(quán)素材等場景時需要確認(rèn)授權(quán)和合規(guī)邊界這也是算法工程師的基本職業(yè)素養(yǎng)。12. 總結(jié)與下一步這篇文章從一個最簡單的線性回歸案例開始帶你走通了 PyTorch 模型定義、損失函數(shù)、優(yōu)化器、訓(xùn)練循環(huán)和參數(shù)查看的完整流程。隨后用員工離職預(yù)測這個二分類任務(wù)介紹了帶隱藏層的神經(jīng)網(wǎng)絡(luò)、批量化訓(xùn)練、測試集評估和單樣本預(yù)測的方法。重點(diǎn)剖析了葉子節(jié)點(diǎn)和梯度報錯這兩個高頻問題并給出完整的排查表格。現(xiàn)在你可以做三件事來鞏固成果。第一把線性回歸代碼手動敲一遍試著把數(shù)據(jù)從 1 個特征改成 2 個特征看看nn.Linear的in_features和out_features要怎么改。第二把離職預(yù)測案例的數(shù)據(jù)換成 sklearn 自帶的乳腺癌數(shù)據(jù)集或鳶尾花數(shù)據(jù)集把輸出維度改成對應(yīng)類別數(shù)損失函數(shù)換成nn.CrossEntropyLoss體驗(yàn)從二分類到多分類的遷移。第三試著在離職預(yù)測網(wǎng)絡(luò)中加入 Dropout 層和 BatchNorm 層觀察它們對訓(xùn)練速度和準(zhǔn)確率的影響。需要特別提醒的是在修改網(wǎng)絡(luò)結(jié)構(gòu)時最容易遇到的兩個問題就是維度不匹配和梯度消失。維度不匹配通常在運(yùn)行時報錯根據(jù)報錯信息查看是哪個Linear層輸入輸出沒對上即可梯度消失通常表現(xiàn)為 loss 下降緩慢可以查看每層參數(shù)梯度的均值如果某一層梯度接近 0說明激活函數(shù)或初始化方式需要調(diào)整。PyTorch 入門并不需要死記硬背。你只要跑通一次線性回歸和一次二分類把損失函數(shù)、優(yōu)化器、前向傳播、反向傳播、梯度清零這些概念串起來后續(xù)學(xué)習(xí) CNN、RNN、Transformer 都會順暢很多。建議把本文的代碼保存為模板下次遇到新任務(wù)時直接在模板上改數(shù)據(jù)加載和網(wǎng)絡(luò)結(jié)構(gòu)快速驗(yàn)證想法。如果你在跑通代碼的過程中有其他奇怪報錯可以按第 8 節(jié)的排查表逐項(xiàng)對照大多數(shù)問題都集中在數(shù)據(jù)形狀、requires_grad 設(shè)置、學(xué)習(xí)率選擇和設(shè)備不匹配上。收藏備用按步驟執(zhí)行剩下的交給 PyTorch 的自動求導(dǎo)。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
91操熟女视频| 久久婷婷国产一区二区色| 青青草日韩无码| 骚鸭AV| 黑人白女精品一区| 天天天天天超碰| 久操免费在线| 夜夜一区二区| 91一区二匹| 曰韩av中文字幕专区| 91久久国产综合精品| 色在线视频导航| 日本99视频| 久久三区四区| 97干在线| 屁股久久久久久| 日本久久网| 东北老熟女| 久久久久久AV无码免费网站| 天天舔日美女视频| 99999精品视频| 色香欲影| 亚洲精品一区二区三区新线路| 四虎精品永久在线观看| 九月丁香婷婷| 亚洲密乳AV| 制服中出中文人人精品| 2019天天干天天操| 四虎影视 亚洲无码| 成人aⅴ一区二区三区| 97超碰这里只有精品| 可以在线观看的黄色网址| 九一屌逼| 18禁在线视频| 青青伊人这里只有精品| www.国产高潮精品| 一区在线精品中文字幕| 欧美狠狠操| 九九视频黄色片| 国产风韵犹存熟妇三区| 欧美99热| 欧美人与动性人交a| 蜜臀亚洲中文| 国产超碰| 午夜男女爽爽大片免费观看| 色噜噜人妻av中文字幕| 涩涩五月天| 日韩在线性爱免费视频| 欧美淫乱视频| 91久精品| 日韩图区 偷拍| chaopen97久久| 婷婷操逼| 性暴力欧美猛交在线直播| 亚州中文字幕超碰97| 国产精品视频一区二区三区八戒| 91老司机精品| 老熟妇综合| 日本理论在线| 先锋激情∨在线视频播放| julia ann久久| 99精品在线观看| A一区片| 九九av| 2020视频1区2区3区| 精品无码久久久久久久杏吧| 国产精品午夜精品| 青青草在线视频人人想人人上| 亚洲性爱乱操x| 色原狠狠天天天| 亚洲天堂自拍| 狠狠色综合网| 色欲天天综合网| 国内亚洲高清无码| 日本影视久久免费| 欧美亚州综合网图片| 老熟妇综合| 91碰碰碰| 色五月婷婷色| 久草福利在线资源站| 婷婷五月天激情四射| 亚洲精品人伦一区二区| 久久九七| 俺去久久| 色性综合| 99久久99久久综合| 亚洲久热| 黄片www.| 97人人操人人干| 日韩卡一卡二卡三在线| 超碰97人人cao| 在线天堂资源亚洲| 免费男人的天堂| 亚洲情色在线| 亚洲性综合| 老鸭窝黄色视频网站| 操人妻丝袜高跟| 五月丁香激情综合| 亚洲福利中文字幕在线| 欧美性爱三区二区| 久久av一级av少妇av高潮| 丰满人妻区一区二区三| 玖玖久久久| 丰满人妻一区二区三区四区| 亚洲97在线| 日韩欧美三级| 久久久久久九九九| 97免费视频在线| 国产sv美女内射| 色网亚洲人| 亚州色阁| 97超碰中文字幕| 四虎免费视频| 欧美激情在线观看视频| 97超级久久| 久操免费视频| 五十路熟女人妻一区二区在线观看 | 人人玩人人添人人澡免费| 九九九九国产| 搡老女人老熟女91| 蜜乳Av成人片网站| 国产自产一区视频在线| 在线性黄高清免费视频| 国产精品秘 福利姬在线观看| 黑人黄片在线免费观看| 婷婷在线精品| 久7色| 伊人色综合超碰| 狠综合网| 精品久操| 精品九九| 中日韩熟女| 日韩av在线免费网站| 欧美系列在线一区二区| 亚洲中文字幕网| 夜夜爽77777| 国产乱人妻精品入口| 久久啊啊啊视频| 久久美国毛片| 密臀视频三区免费网站| 日韩免费av片高清无码| 国产免费永久精品无码| 天天操人人操骚逼网站| 舔足天天操天天射| 日本性爱欧美性爱| 日本福利二区视频| 青青草日本无码| 五月天色电影| 久久成人东京热人妻| 人妻第一页| 91老女人| 国产精品自在线发布| 国产亚洲在线| 欧美精品双插| 91n处女在线观看| 亚洲欧洲日本精品中文a∨| 2019天天干天天操| 99色日| 日本高清一本二本免费不卡| 超碰成人公开| 91超碰人人| 日韩丝袜高跟制服在线观看| 久久久久白虎| 国产精品无码av| A久久| 日产123区精品免费观看| 人人妻人人澡人人爽久久av| 亚欧成人综合影院| 毛片中心9视频99| 大香蕉92| 日日操免费视频| 亚洲天堂 视频你懂的| 日本不卡高清免v欧美日韩在线观看| 四虎精品一区| 日韩黄色av中文字幕| 日日骚av| 欧美激情中文字幕另类小说| 日韩美女高潮喷水视频| 偷拍精品一区二区三区| 日本天天吊| 91精品人妻一品二品三品| 福利操逼| 欧美老妇综合网| 日逼97| 亚洲aV性爱| 久久99精品九九久久久婷婷| 男女无套 免费网站| 337p大胆噜噜噜噜噜91Av| 欧美少妇性乱| 乱伦日本中文自拍| 久久本道| 亚洲色宗合| 精品国产精品一区二区| 国产久久久久影院老熟女| 国产家庭乱伦表演| 成人色女网| 久久这里只有精品9| 日本高清一区二区在线| 九九久精品| 亚洲1区2区三区高清中文字幕| 99999久久久久9国产精品| 啪啪啪综合| 久久婷婷综合国际产色怕| 精品人妻一区二区三区夜夜| 精品毛片av一区二区| 有码人妻系列| A一区片| 亚洲综合码| 欧美亚洲图片| 96AV久久久| 国产午夜在线观看视频| 青青草久久| 日韩人妻播放| 欧美 色 亚洲| 人妻夜夜爽天天爽麻豆三区网站| 亚洲国产97| 99热这里只有精品99| 蜜臀Av一区二区三区| 全免费a敌肛交毛片免费| 天天操天天日青青草超碰av| 无遮挡猛进视频免费无限观看| 啊啊啊啊啊啊啊啊要喷了| 人妻81p| 人人爽夜夜玩视频| 欧美色图天堂在线| 久久永久无码人妻视频| 天天拍天| 欧美日韩丝袜| 岛国在线免费视频| 九九九精品色乱九九九| 亚洲欧洲综合视频在线| 亚洲情色综合| 久久精品免视看国产成人﹣蜜臀av一区. 久久精品免视看国产成人,蜜臀av一区 | 蜜桃色色网站视频三区| 精品久久久av无码免费| 97干综合网| 一区二区激情国产熟女| 久久久久亚洲AV无码专区少妇| 色臀aV| renqi久久久久久久久久久久| 日本韩高清无砖码22o| 麻豆精品天美| 男人亚洲91首页在线| 大二网站亚洲| 偷拍导航视频网站| 大香蕉天天看妹子| 国产情侣自拍在线播放| 欧美精品宗合| 亚洲偷91色| 夜夜爽77777| 日韩三A大片在线观看| 久久精品中文字幕女同| 日韩乱码Av| 十八禁av无码免费网站APP| 91色欧美| 啊啊啊啊好大好硬啊啊啊啊啊| 超碰在线99| a一区二区三区乱码在线| 欲色啪| 国产无遮挡| 99精品成人免费看| 欧美自拍偷拍综合图片| 日韩精品啪啪啪| 欧洲精品一区二区三区| 婷婷五月丁香五月| 欧美性爱视频免费一区一A| 国产97视频| 超碰97欧美日韩| 人妻在线中出视频| 六月丁丁香| 色成人Www精品永久观看| 老司机午夜精品视频| 51一区二区三区| 性欧美999| 久久人妻少妇| 亚洲 欧美 综合 91| 精品国产乱码久久久久久影片| 国产无码高清操逼视频| AVE乱伦| 国产又粗又长视频| 欧美宗合网| 亚洲天堂电影网| 啊啊啊啊啊啊好湿好爽视频| 日韩97视频!在线| 狠狠久久亚洲欧美专区| 亚洲精品三| 爆操无码| 午夜寂寞欧美| 日本狂喷奶水在线播放212| 一起草三级AV电影在线观看 | 口爆综合网| 精品人妻美妇91job| 日韩欧美aⅴ综合网站发布| 亚洲精品国产日韩无码AV永久免| 欧美色亚洲| 日夜精品| 色汉综合| 国产一区在线播放| 久久人妻| 26uuu久久| 亚洲97成人在线观看| 十八禁啪啪视频| 中文字幕三四区| 天天肏天天干| 亚洲天天操| 久久久久久久人妻丝袜| 精品丝袜无码一区二区三APP| 亚洲无码com| 一级性爱视频免费在线| 国产对白刺激视频| 亚洲蜜乳av| AV不卡在线| 欧美成人性爱视频免费观看 | 高清国产无码av| 久久受www免费人成| 人妻偷拍一区二区三区| 中日韩久久久| 色色丁香| 天天综合影院91| 亚洲永久永久永久永久一级一级一级精品 | 大香蕉碰碰| 大香蕉在线视频15| 亚洲精品一卡二卡三卡福利视频网站| 精品一二三区女同| 91综合天天看| 久草成人| 免费一级精品啪啪视频| 一块操欧美性爱| 天天摸,夜夜摸| 极品白嫩福利在线| 日韩天天本| 干b网| 中国操逼无码| 久久婷婷视频| 草伊人高潮喷水超碰| 日影院久久婷婷夜夜网| 欧美东京热青青草| 操屄日韩| 男人久久天堂| 亚洲91大片| 黄色成品网站| 国产女大学生AV| 精品久久久中文字幕不| 99精品成人免费看| 污色区网站| 91精品免费| 爱爱60秒免费视频| 日欧操屄视频| 另类TS人妖一区二区三区 | 亚洲无码超碰免费| 97在线免费视频观看| 人妻一区二区三区四区视频| 日本999精品| 丁香五月激情综合| 爆操无码| 国产又黄又粗的视频| 精品无码一区二区三区| 性色高清在线| 91色五月俺来也| 丁香九月激情啪| 亚洲 中文字幕 精品| 狠狠97| 是还免费视频1727我| 亚洲熟妇乱女区二区三区| 日本高清一区二区在线| 无码精品蜜桃一区二区三区ww| 在线午夜成人无码视频| 欧美色图校园春色| 中文字幕第95页| 日韩欧美被操黄免费观看| 色五月av| 婷婷五月激情综合| 亚洲最大的黄色电影网站。 | 日韩精品 资源| 日本岛国黄色网址| 国产又大又硬又长又粗| 日本成人A片免费看| 亚洲高清视频在线免费观看| 91熟女在线| 久久久一二三四区| 四虎影视国产精品| 99re这里只有精品2| 久久久久元码视频| 热的中文 热的有码 热的国产| 美女的肌被草喷水视频| 日日日啊啊啊| 久久久久久久久久久久黄色| 免费9 1久久| 91老司机在线视频免费观看 | 四虎影视欧美| 欧美色图91| 精品国产a∨一区天美传媒| 91 国产丝袜在线播放-百度| 四虎免费视频| 91亚洲最新在线| 亚洲AV永久无码精品成人调教| 久久 久久国内精品亚洲| 婷婷五月天无码| 亚州欧美总和| 天天搞欧美| 天天操天天干美女网址导航| 国产精品伦理| 久久久新亚洲AV| 肏逼视频日本| 国产人妖的免费的视频| 国产精点久久久成人| 99日韩| 男人的天堂2019AV| 欧美大片一区二区三区| 96超碰网| 精品无码一区二区三区色欲| 岛国视频一二三区| 婷婷五月天影院| 正在播放:深夜激情大战,自带黑丝袜全力输出骚穴 | 亚洲 中文 女同| 九九夜精品九九在线| 97超碰在线资源网站| 97国产综合欧美| 肥佬影院91| 国产美女高潮| 性色av网站| 97资源制服丝袜| 一区二区 电影 亚洲| 肉丝无码中文高清| 亚洲九九九| 乱伦av国产| 思思99热| 国产AV人人夜夜澡人人爽麻豆| 色悠悠伊人网五月天| 老熟女乱伦片| 国产精品青草综合久久| 日韩人妻网站| 精品午夜福利| 日韩AV一起草| 久久视网78| 精品国产乱码久久久久久久久久毛片| 亚洲欧洲日本精品中文a∨| 强奸乱伦资源| 日韩欧美亚洲自拍偷拍| 啪一啪免费视频| 国产视频一区二区在线| 精品少妇一区二区三区| gogogo免费高清看中国国语| 男人的天堂2010| 久久婷婷欧美| 欧美亚洲国产91在线| 开心五月婷婷激情| 中文字幕人乱码中文字的预防方法| 97这里有精品| 亚洲操逼视频网站| 欧美激情久久久久| 韩国免费播放一级毛片| 91美女中出| 97在线观看免费| 变态乱伦伪娘灌肠一区二区| 午夜呻吟欧美| 少妇久久久久久久| 天堂精品在线| 久9无限国产| 亚洲天堂热| 91网站在线播放| 国产精品久久久久久照片| 日韩一999精品| 97免费视频在线| 中国探花熟女| 午夜精品人妻二区三区| xxx亚洲午夜天堂| a啊啊啊啊啊啊啊啊一区二区| 超碰在线观看av不卡| 91在线色| 欧美一级久久久丰满| 日韩少妇丰满亚洲| 日韩黄色av中文字幕| 91偷拍欧美亚洲| 国产精品免费久久久久久久久久| 中文字幕一二三区| 久久丁香久草综合网| 午夜精品99久久久久传媒| 蜜臀久久久99久久久久 | 国产超碰人人操| 一二区在线观看视频| 一区二区三区精品视频| 插插综合网天天影视网| 免费精品99| 亚洲福利中文字幕在线| 91日韩网站| 大香蕉人妻| 亚洲国产精品无石码久久| 精品国产乱码久久久久A| 亚洲成人ab| 久久超碰爱| 天天看天天日天天操| 97超碰无码网| av午夜影院在线播放| 亚州大图综合色图 | 东北女人高潮视频| 啊a一区在线| 精品国产乱码| 免费男人的天堂| 这里只有精品视频| 情趣丝袜无码操逼视频| 青青操视频在线| 大香蕉啪啪啪| 日韩99精品视频综合区 | a级理论午夜日本| 熟女精品日韩一区二区三区| 欧美狠狠弄| 粉嫩av在线一区二区| 色妺妺AⅤ| 狠狠夜色午夜久久综合在线| 曰韩av中文字幕专区| 蜜臀AV午夜精品久| 欧美少妇高潮久久91| 国产福利精品最新在线| 日本操逼视频在线| 老熟女搡BBBB搡BBBB视频| 成人十八禁日韩欧美一二三| 91婷婷| 一本色道综合久久欧美| 欧美桃色网| 亚洲精品天天影视综合网| 日韩一区二区三区四区五区| 2020久久免费视频| 青青草女人天天干| 大香蕉欧美伊| 欧美男人一区| 国产精点久久久成人| V A在线| 亚洲精品97久久中文字幕| 91在线综合网| 97色婷婷| 爱做久久久久久| 自拍偷拍草一草| 久久伊人影院| 欧美丰满少妇交换91欧美精品| 久久久噜噜噜久久久| 激情久久久| 一本精品日本在线视频精品 | 春色综合网| 成人久久久精品| 夜夜嗨AV蜜臀av| 在线只有精品| 最新日韩黄片| 午夜寂寞欧美| 波多野42部无码喷潮在线观看 | 久久发布国产伦子伦精品| 中文字幕性感少妇av| 欧美丰满少妇xx高潮| aa片毛片| 亚洲国产丝袜熟女av| 日本精品一区二区不卡| 婷婷探花久久精品一区| 久久是精品| 香蕉av一区二区三区| 久久精品免视看国产成人﹣蜜臀av一区. 久久精品免视看国产成人,蜜臀av一区 | 最新中文字幕av| 五月天春色激情网| 在线啊啊啊啊| 黄色乱论网站| 亚洲国产综合久久久性感熟妇| 日日干夜夜干| 亚洲精品视频二区| 花野真衣| 美腿色图| 性生活无遮挡纯毛片在线看| 亚洲 欧美 小说| 超碰97玖玖爱| 农村妇女精品一区二区| 欧美日动态视频| 国产视频第2页| 九九九九九九九九九五码| 蜜臀99999| 精品二999| 啊啊啊啊啊啊啊啊啊在线观看| 日韩精品三级片长长久久| #NAME?| 污电影在线观看| 安微少妇操BBB| 欧色网址| 成人小说另类在线| 6080YYY午夜理论片在线观看| 一区二区三区黄色片a| 97人妻免费中文字幕| 国产福利av精彩对白| 丁香成人五月天| 欧亚综合一卡二卡中文字幕| 日韩熟女精品无码专区一区二区| 在线97在线| 九九九九一级| 亚洲不雅视频1区二区| av网站免费看| 欧美操逼熟女| www.夜夜操| 日本免费不卡二区| 1.igao73.com 加入收藏 免费专区 国产精品 中文字幕 日韩精品 欧美精品 精彩 | 超碰久超碰久| 色综合V| 免费看A片毛毛片在线播| 免費黃色視頻觀看一| 人妻熟女一区在| 国产亚卅97| 淫穴高潮色图| 成 人 A V免费视频在线观看| 国产精品国产自产高清AV| 久久久国产成人一区二区三区在线| 五月丁香六月婷| 欧美精品 - 91爱爱| 青青草原成人| 操B视频日韩无码| 色狠狠色| 久久妇| 九九AV| 欧美日韩精品国产91| 欲综合网| 日韩av不卡在线看| 一色网男人的天堂| 国产中文字幕在线| 日本十八禁免费看污网站| 日本九九九九| 欧美 综合 亚洲| 91丨人妻丨国产丨丝袜| 亚洲综合一区二区| 国产五码丝袜屁眼| 神马久久久久| 丁香五月性| 97精品久久久久中文字幕| 欧美激情综合| 9999久久久久| 老熟妇一区二区三区| 成人一道本免费视频| 日韩欧美视频青青| 天天影视综合色| 无码av永久免费专区网站| 激情文学 国产一二三aV| 欧美姓爱综合网| 日韩不卡a级视频专区| 色诱avtt| 中文字幕天堂在线| 国产av白丝| 黄片www.| 久肏视频字幕| 一区二区三区视频在线观看免费| 97一区二区三区视频| 欧美一区二区三区互相| 800zy一区二区| 国产女人视频三四五区| 人妻啊啊人妻啊啊| 78久久| 国产九月婷婷| 欧美人妻少妇| 97国产色综合| 久久精品国产Aⅴ| 真实高潮91| 少妇被c 黄 免费观看| 丝袜美腿欧美| 乱伦强奸区日韩| 操人妻丝袜高跟| 婷婷超| 嗯嗯嗯啊啊啊操的我好爽| 最新无码国产| 免费网色网站| 久久久免费的精品| 久久婷婷一区| 日韩欧美视频青青| 岛国爱情动作片在国产AV无码专区亚洲AV漫画| 神马福利久草| 欧美传媒| 欧美中字不卡| 丁香五月自拍| 国产熟女精品一区二区| 亚洲国成人情色好看电影| 免费少妇一区二区| 久久视频,这里只有精品| 自拍鲍鱼一区在线高清观看免费| 色爱天堂| 一区二区三区男女操逼黄色小电影| 亚洲日韩在线a不卡99精品| 欧美人妻色| 欧美人妻一区| 天天看片青娱乐| 99热免费精品| 日本理论在线| 日韩欧美性吧婷婷乱伦大香蕉 | 成人毛片免费| 色网1| 五月天婷婷基地| 日本爽爽爽爽爽爽免费视频| 97精品国产精品免费观看| 日本一级性爱| 亚洲精品自拍| 成人情色综合网| 91亚洲不卡一区| 国产精品久久久久久久毛片1| 成人情色综合网| 观看免费区二区三区二| 丝袜剧情| 成人羞羞视频国产| 啊啊啊轻点在线观看| 亚洲国产欧美日韩精品一区二区三区,国产一区二区三区在线看片,欧美性猛交 XXX | 久久999久| 欧美日韩99| 久久久99免费| 中文字幕乱妇免费视频| 97露脸精品丝袜| 日本中文字幕在线电影| 久久亚洲中文字幕视频| K8久久久久| 欧美天堂超碰97| 操狠狠| 亚洲欧美日韩夜夜| 黑人美精品 A片| 啊v在线观看视频| 欧美国产操逼| 9超碰免费| 五月天激情网图片| 少妇高潮对白在线观看| 亚洲精品一二牛牛| 欧洲精品一级二级精品综合视频综合 | 亚洲日本天堂| 国产91精品久久久久久久网曝门| 97人人草| 日韩黄色成人性爱| 蜜桃在线观看一区二区三区| 丁香五月色| 欧美丝袜制服久久| 久久久久久久久久久免费精品| 欧美天堂在线| 欧美综色欧| 97久久国产精品| 国产久久男人天堂| 神马久久啊啊| 91亚州欧美| 国产精品视频电影| 欧美中文字幕男人天堂久久精品 | 麻豆熟妇乱妇熟色A片在线看| 久操影视| 久久九操在线观看| 日日日大屁股骚女人精品| 蜜臀久久在线视频| 亚洲中文电影| 色色99| 熟女自慰久久久| 久久国产视频专区一二三| 日韩成人色图| 欧美美女啪啪视频| 国产白领连续中出在线观看| 热久久精品| 狼人综合婷婷激情四射 | 全球成人中文在线| 国产精品香蕉热久久新品| 93人人操人人| 亚洲九月丁香| 国产福利影视| 色丁香久久| 九九av| 精品妇女一区二区三区| 人妻天天操天天爽视频免费| 久久一区无码| 青久操| 狠操91,com| 大白逼三四级| 精品1区2区3区| 91人妻少妇| 日本国产亚洲一区在线观看| 国产精品久久久久久久电影渣男| 911av网站免费观看| 最新三级网址| 日韩性爱网址| 欧美一区91大爱| 91日日| 欧美激情亚洲情色| 亚洲欧洲日韩中文字幕一区| 欧美性第一页| 国产高清无码一区三区二区| 久久久久久精品免费看A级| 五月丁香婷婷综合网| 人妻精品综合中文字幕在线| 自拍视频大全亚洲专媒视频/一区二区三区 | 日韩人人精品| 中文乱码字幕观看| 高清无码一区二区三区| 久久综合激情| 色九九九| 欧美另类天堂| 国产亚洲色停停久久99精品91| 中日亚韩免费视频| 色五月网址| 久久精品老司| 久久久555| 隔壁邻居波多野结衣中文字幕| AV综合中文字幕干| 久久av色| 3P丝袜熟女 色综合| 日韩有码 一区二区三区| 欧美激情中文字幕另类小说| 人人喜人人妻| 97操综合| 男女猛烈无遮掩视频免费软件| 免费看欧美美女黄色大片| 亚洲精品一区二区三区新线路| 日日妻色网| 97操| 午夜一区| 欧美色自拍| 蜜臀久久99精品久久久久| 亚洲国产婷婷在线播放| 天美传媒一二三区永久网站| 啊啊啊啊好大好硬啊啊啊啊啊| 青娱乐休闲视频在线观看| 激情五月天社区| 美女91在线观看| 女人久久久| 精品一区二区亚洲国产| 天堂在线一区二区| 另类图片综合| 五月大香蕉| 青青操视频在线| 亚洲日韩视频二区| 欧美日韩国产传媒在线精品| 久久久青草青青国产亚洲免观精品高清完整版_97久久综合区小说区图片区,国精品 | 97天堂| 久久精品99| 欧美日韩97在线| 欧美黄色大片在线观看 | 91亚洲欧美激情| 网页导航五月天免费一二三区| 青春草A| 秋霞一集毛片观看| WWW4虎| 试看60秒 爽| 五月丁香综合网| 夜夜国自区| 免费看久久久性性| 日韩专区久久久| 国产精品自在线发布| 亚州中文字幕超碰97| 日本性爱视频一级| 亚洲中文字幕乱码无码一区二区 | 亚码激情| 精品人妻一区二区三区日产| 亚洲精品男人的天堂| 蜜臀久久99精品久久久久电影| 亚洲超碰AV| 我爱操| 91nbbbbbb| 超碰超碰超碰超碰的大鸡吧操黑丝袜| 亚洲好看强奸乱伦| 欧美少妇性乱| 做爱A级亚欧| 丝袜高跟澳门91视频| 亚洲无码AV九九九| 亚洲综合另类色图| 六月色色| 青草成人免费视频一COm| 日韩精品 资源| 欧美裸体美女日麻屄| 精品人妻二区三区| 国产精品久久久无码aV去| 久久999久| 九九久久一区二区伦理| 97操综合| 亚洲丝袜二区| yaouchengrenav| 白 大 人妻 区 在线| 东北丰满熟女国产一区| 熟女91网| 欧美后进式| 亚洲日韩精品久久久久一区壹牛| 91久久伊人婷婷青青草| 成人激情无码在线视频| 五月天人妻综合| 9九九九九视频在线观看| 精品国模无码| 亚洲男人的天堂在线看| 中文字幕亚洲在线一区| 玖玖爱影院| 中文字幕久久精视频久久大全| 久久久国产亚洲精品系列| 97操碰| 丝袜制服字幕在线| 亚洲无吗在线视频| 97超碰美女| 国产乱码精品久久久久久 | 久久久久78| 91九色首页| 久久国产AⅤ| 干妹子| 密臀在线免费观看| 8050午夜少妇无码| 秋霞Av理论一级在线| 日韩大香蕉精品在线视频| 天天弄天天操| 日韩精品一区二区日韩| 久久尹人大香焦视| 日本精品久久久久久久| 伊人影院中文字幕| 色综合av男人天堂| 日本不卡一区二区| 青青草导航在线视频| 伊人色综合超碰| AAA久久| 亚洲色系另类精品国产| 久久精品超碰| 青青草久久| 99热精品青草在线| wwwss在线观看| 综合操逼| 亚洲精品国产日韩无码AV永久免| 97视频播放| 亚洲欧洲无码一区夜| 91亚·色| 婷婷五月天激情网| 亚洲欧洲精品视频发布| 久久成年片色大黄全免费网站| 亚洲色天堂九9| 久久久久亚洲精品| 国产suv精品一区二区四区999| 激情看片网站| 一区二区三区免费岛国片| 色吧5亚洲| 欧亚日韩中文在线| 国产精品禁久久久精品| 亚洲超碰综合网| 97色论| 亚洲。日韩。欧美| 亚洲精品99| 婷婷六月色开| 亚洲最大无码中文字幕网站| 国产日韩区| 自拍偷拍草一草| 测评在线观看AV| 丝袜AV一区二区三区| 大香蕉一人| 久久成人东京热人妻| 久久精品中文字幕女同| 日本999精品| 欧美婷婷久久| 久久精品老司| 69精品人人人人| 欧美狠狠弄| 中文字幕55555| 爱欲AV| 1234区中文字幕在线观看_青青草国产在线_日韩一区二区 | 国产日韩欧美三级片| 国产午夜无码片在线观看影视 | 日本三级人妻a人妻一在线| 校园春色之综合网| 人人爽天天爽| 久久9久9久99久9久9| 欧美最婬乱婬爆婬性视频 | 午夜精品久久久久久久男人的天堂| 再深点灬舒服灬太大了好硬好爽| 国产吞精a级片激情电影| 国产精品熟女丝袜一区二区| 激情五月天社区| 天堂种子在线www网资源| 人人扣人人操| 日本天天操| 亚洲情色婷婷五月天| 亚洲国产剧情少妇激情| 91黑丝美女| 超碰69| 亚洲色图欧美色18直播在线| 猛猛干| WWW.操逼.COM| 变态乱伦伪娘灌肠一区二区| 操逼啊啊啊91| 亚洲欧美国产日本一区二区三区| 另类天堂| 欧美日韩222| 东京热精品97综合网| 麻豆a'v电影| 嗯嗯不要视频| 亚洲欧洲中文日韩女优乱码| 被男人添B超爽视频| 一区二区三区激情在线观看| 嗯啊不要在线观看嗯啊| 射欧美综合| 亚洲AV色图一区| 亚洲黑人在线| 97在线精品观看视频| 大屁股xxxxx| 强奸少妇AV导航网| 99爱爱| 一区二区影视| 国产乱伦亚洲| 人妻嗯啊啊在线播放| 日韩精品熟妇| 欧美96交| 91P0RNY大屁股人妻| 岛国艾薇凹凸视频天堂| 成人贴图日韩欧美| 国产1727欧美| 精品九九九九| 亚洲国产高清福利视频| 伊人青青一区成人视频在线观看区| 伊人991| 丰满人妻一区二区三区四区| heyZO天然素人无码AⅤ专区| 色婷婷久久| 东京热精品97综合网| 欧美97在线欧| 秋霞免费AV| 女一区二区| 亚洲情色 欧美| 亚洲精美粉嫩嫩泬在线观看| 日韩乱码Av| 久久国产精品视频| 岛国激情视频在线观看| 久久久久免费少妇| 人人妻天天做天天爽| 无码久久亚洲高清,| 婷婷五月天网| 视频黄站| 日韩性爱1级片视频| 久热色情精品| 亚洲黄色电影| 久草免费在线一区二区| 亚洲激情色片| 搡老女人911熟妇老熟女| 91久热| 东京热伊久| 亚洲1区2区三区高清中文字幕| 日本不卡三级网在线播放| 啊啊啊好大好深| 国产av美女被艹的乱叫| 先锋音影AV| 无码外流操逼视频| 亚洲国产精品久久久久婷婷青年| 激情综合 婷婷五月 红杏| 91丨熟女丨丰满熟女| 久日综合网| 日本三级一区二区 在线| 啊啊啊啊啊操我视频| 最近二区三区视频大全| 狠狠色婷婷7777久| 极品少妇久久久久| 国产亚洲国产超碰| 亚洲 中文 欧美 日韩 在线| 日本操嫩b网| 加勒比五月天| 精品亚洲黄色片 国产精品导航一区二区 | 亚洲黄色电影| 亚洲综合色婷婷| 日本道人妻久久久在线不卡色视频| 国产 日韩 欧美 中文 另类,国产 欧美 另类 制服 变态,高清 日韩 欧美 中文,高 | 啪啪啪东京| 嗯嗯啊好大| 自拍视频一区在线观看| 久操影视| www成人啪啪18秘 免费| 欧美人妻熟女在线| 久久婷婷热| 蜜臀久久99精品久久久久久| 熟女人妻av在线资源,黄色的资源| 精品天堂| 青娱乐亚洲热| 51国产午夜精品视频| 亚洲吊色| 日韩激情中文字幕有码| 五月天精品| 婷婷五月影院| 大象AV在线| 青青草日本中文字幕| 色天使亚洲综合在线观看| 91女优在线观看 | 乱伦熟女区| 97碰碰色| 久久一二区四| 超碰国产精品久| 五月天AV资源| 综合影院亚洲| 老外又粗又长一晚做五次| 欧美亚洲涩涩| 日韩另类| 色吧5亚洲| 综合九九| 天美精品av| 午夜亚洲国产理论秋霞| 国产吹潮女在线观看| 青青操青娱乐| 午夜亚洲国产理论秋霞| av草草在线电影| 少妇 综合| 韩日性爱av| 熟妇人妻丰满久久久久久久无码| 久久9 9 9精品| 亚洲一级特黄大片在线播放91| 色色97爱| laoshunv91| 天天日天天插| 久久精品日韩| 一区二区视频在看| AV99热18这里只有精品| 99精彩视频| 日韩中文字幕人妻视频| 黄页| 久久97超碰香蕉| 毛片视频白嫩| 丰满人妻大屁一区二区| 性夜影院爽黄A爽免费动漫| 97超碰中文| 免费看污网站| 我爱大香蕉| 亚洲国产精品有声| 999综合网| 天天综合站| 操b网站亚洲无码| 五月婷丁香| 精品国产人成在线| 中文字幕蜜乳av| 天天综合91入口| 亚州春色| 97免费在线视频在线观看| 日韩成人大片一区二区| 久久免费99精品久久久久久| 日韩精品一二三| 夜夜免费视频| 99操| 热天堂一区二区| 超碰成人免费| 国产女人操逼视频| 不卡中文字幕aⅴ在线| 超碰在线91| 国产中文字幕在线| 色欲色香天天天综合网www-亚洲综合国| 蜜臀av一区二区三区免费观看| 成人性爱高清视频免费看| 亚洲精品性爱片| 岛国福利在线精品播放| 亲子敌伦对白在线播放| 激情小说激情视频| 91久久久久| 女上位精品在线| 夜夜操一区二区| 久久精品老司| 天堂精品小草| 91人妻视频| 欧美性色综合网| 嗯啊啊啊轻点视频 | 精品无码产区一区二| 偷拍色图| 久久久精品中文字幕麻豆| 亚州高清色综合| 亚洲欧洲久久天堂| 天天澡天天爽日日av| 欧美日韩亚洲天堂网| 中文字幕88av在线| 欧美久久久15P| 久久久久七视频| 99色婷婷中文字幕乱色| 欧美另类自拍 | 影音先锋少妇| 1人人看人人摸人人操| 黄色人人| 精品少妇人妻av久久免费| 国产亚洲精品农村妇女| 91久久精品中文字幕| 久久人妻熟女一区二区 | 秋霞免费无码视频日韩A片 |