日韩av黄I国产麻豆传媒I国产91av视频在线观看I日韩一区二区三区在线看I美女国产在线I麻豆视频国产在线观看I成人黄色短片

歡迎訪問 生活随笔!

生活随笔

當(dāng)前位置: 首頁 > 人文社科 > 生活经验 >内容正文

生活经验

优达学城《DeepLearning》项目2:犬种分类器

發(fā)布時(shí)間:2023/11/27 生活经验 44 豆豆
生活随笔 收集整理的這篇文章主要介紹了 优达学城《DeepLearning》项目2:犬种分类器 小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

在這個(gè)notebook中,你將邁出第一步,來開發(fā)可以作為移動(dòng)端或 Web應(yīng)用程序一部分的算法。在這個(gè)項(xiàng)目的最后,你的程序?qū)⒛軌虬延脩籼峁┑娜魏我粋€(gè)圖像作為輸入。如果可以從圖像中檢測到一只狗,它會(huì)輸出對(duì)狗品種的預(yù)測。如果圖像中是一個(gè)人臉,它會(huì)預(yù)測一個(gè)與其最相似的狗的種類。下面這張圖展示了完成項(xiàng)目后可能的輸出結(jié)果。

  • Step 0: 導(dǎo)入數(shù)據(jù)集
  • Step 1: 檢測人臉
  • Step 2: 檢測狗狗
  • Step 3: 從頭創(chuàng)建一個(gè)CNN來分類狗品種
  • Step 4: 使用一個(gè)CNN來區(qū)分狗的品種(使用遷移學(xué)習(xí))
  • Step 5: 完成你的算法
  • Step 6: 測試你的算法

步驟 0: 導(dǎo)入數(shù)據(jù)集

下載狗數(shù)據(jù)集:dog dataset,放置在data文件夾內(nèi)并解壓。

下載人數(shù)據(jù)集:human dataset(一個(gè)人臉識(shí)別數(shù)據(jù)集),放置在data文件夾內(nèi)并解壓。

步驟1:檢測人臉

我們將使用 OpenCV 中的?Haar feature-based cascade classifiers?來檢測圖像中的人臉。OpenCV 提供了很多預(yù)訓(xùn)練的人臉檢測模型,它們以XML文件保存在?github。我們已經(jīng)下載了其中一個(gè)檢測模型,并且把它存儲(chǔ)在?haarcascades?的目錄中。

在如下代碼單元中,我們將演示如何使用這個(gè)檢測模型在樣本圖像中找到人臉。

寫一個(gè)人臉探測器

我們可以使用這個(gè)程序編寫一個(gè)函數(shù),如果在圖像中檢測到人臉,則返回True,否則返回False。這個(gè)函數(shù)名為face_detector,將圖像的文件路徑作為輸入,出現(xiàn)在下面的代碼塊中。

評(píng)估人臉檢測器

問題1:使用下面的代碼單元格來測試face_detector函數(shù)的性能。

  • 在human_files的前100張圖片中有多大概率檢測到人臉?
  • 在dog_files的前100張圖片中中有多大概率檢測到人臉?

步驟 2: 檢測狗狗

在這個(gè)部分中,我們使用預(yù)訓(xùn)練的 vgg16 模型去檢測圖像中的狗。

給定一個(gè)圖像,這個(gè)預(yù)先訓(xùn)練過的vgg16模型將為圖像中包含的對(duì)象返回一個(gè)預(yù)測(來自ImageNet中的1000個(gè)可能類別)。

用預(yù)先訓(xùn)練好的模型進(jìn)行預(yù)測

在下一個(gè)代碼單元格中,您將編寫一個(gè)函數(shù),它接受圖像的路徑作為輸入,并返回由預(yù)先訓(xùn)練的vgg -16模型預(yù)測的ImageNet類對(duì)應(yīng)的索引。輸出應(yīng)該始終是0到999之間的整數(shù)(含999)。

from PIL import Image
import torchvision.transforms as transforms# Set PIL to be tolerant of image files that are truncated.
from PIL import ImageFile
ImageFile.LOAD_TRUNCATED_IMAGES = Truedef VGG16_predict(img_path):'''Use pre-trained VGG-16 model to obtain index corresponding to predicted ImageNet class for image at specified pathArgs:img_path: path to an imageReturns:Index corresponding to VGG-16 model's prediction'''## TODO: Complete the function.## Load and pre-process an image from the given img_path## Return the *index* of the predicted class for that imagenormalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],std=[0.229, 0.224, 0.225])transform = transforms.Compose([transforms.Resize((224,224)),transforms.CenterCrop(224),transforms.ToTensor(),normalize])image = Image.open(img_path)#print(image.size)image = transform(image)image.unsqueeze_(0)#print(image.size)if use_cuda:image = image.cuda()output = VGG16(image)if use_cuda:output = output.cuda()class_index = output.data.cpu().numpy().argmax()    return class_index # predicted class index#print(dog_files[0])
VGG16_predict(dog_files[0])

結(jié)果:

252

寫一個(gè)狗狗探測器

在研究該?清單?的時(shí)候,你會(huì)注意到,狗類別對(duì)應(yīng)的序號(hào)為151-268。因此,在檢查預(yù)訓(xùn)練模型判斷圖像是否包含狗的時(shí)候,我們只需要檢查如上的?VGG16_predict 函數(shù)是否返回一個(gè)介于151和268之間(包含區(qū)間端點(diǎn))的值。

我們通過這些想法來完成下方的?dog_detector?函數(shù),如果從圖像中檢測到狗就返回?True,否則返回?False。

問題2:使用下面的代碼單元格來測試dog_detector函數(shù)的性能。

  • 在human_files_short中有多少百分比檢測到狗?
  • 在dog_files_short中有多少百分比檢測到狗?

你可以自由地探索其他預(yù)先訓(xùn)練網(wǎng)絡(luò)(如Inception-v3, ResNet-50等)。請(qǐng)使用下面的代碼單元來測試其他預(yù)先訓(xùn)練好的PyTorch模型。如果您決定執(zhí)行這個(gè)可選任務(wù),請(qǐng)報(bào)告human_files_short和dog_files_short的性能。

步驟 3: 從頭開始創(chuàng)建一個(gè)CNN來分類狗品種

現(xiàn)在我們已經(jīng)實(shí)現(xiàn)了一個(gè)函數(shù),能夠在圖像中識(shí)別人類及狗狗。但我們需要更進(jìn)一步的方法,來對(duì)狗的類別進(jìn)行識(shí)別。在這一步中,你需要實(shí)現(xiàn)一個(gè)卷積神經(jīng)網(wǎng)絡(luò)來對(duì)狗的品種進(jìn)行分類。你需要從頭實(shí)現(xiàn)你的卷積神經(jīng)網(wǎng)絡(luò)(在這一階段,你還不能使用遷移學(xué)習(xí)),并且你需要達(dá)到超過1%的測試集準(zhǔn)確率。在本項(xiàng)目的步驟五種,你還有機(jī)會(huì)使用遷移學(xué)習(xí)來實(shí)現(xiàn)一個(gè)準(zhǔn)確率大大提高的模型。

值得注意的是,對(duì)狗的圖像進(jìn)行分類是一項(xiàng)極具挑戰(zhàn)性的任務(wù)。因?yàn)榧幢闶且粋€(gè)正常人,也很難區(qū)分布列塔尼犬和威爾士史賓格犬。

不難發(fā)現(xiàn)其他的狗品種會(huì)有很小的類間差別(比如金毛尋回犬和美國水獵犬)。

同樣,拉布拉多犬(labradors)有黃色、棕色和黑色這三種。那么你設(shè)計(jì)的基于視覺的算法將不得不克服這種較高的類間差別,以達(dá)到能夠?qū)⑦@些不同顏色的同類狗分到同一個(gè)品種中。

我們也提到了隨機(jī)分類將得到一個(gè)非常低的結(jié)果:不考慮品種略有失衡的影響,隨機(jī)猜測到正確品種的概率是1/133,相對(duì)應(yīng)的準(zhǔn)確率是低于1%的。

請(qǐng)記住,在深度學(xué)習(xí)領(lǐng)域,實(shí)踐遠(yuǎn)遠(yuǎn)高于理論。大量嘗試不同的框架吧,相信你的直覺!當(dāng)然,玩得開心!

為Dog數(shù)據(jù)集指定數(shù)據(jù)加載器

問題3:描述您選擇的數(shù)據(jù)預(yù)處理過程。

  • 你的代碼如何調(diào)整圖像的大小(裁剪,拉伸等)?輸入張量的大小是多少,為什么?
  • 你決定擴(kuò)大數(shù)據(jù)集了嗎?如果有,如何(通過平移,翻轉(zhuǎn),旋轉(zhuǎn)等)?如果沒有,為什么?

指定損失函數(shù)和優(yōu)化器

訓(xùn)練和驗(yàn)證模型

# the following import is required for training to be robust to truncated images
from PIL import ImageFile
ImageFile.LOAD_TRUNCATED_IMAGES = Truedef train(n_epochs, loaders, model, optimizer, criterion, use_cuda, save_path):"""returns trained model"""# initialize tracker for minimum validation lossvalid_loss_min = np.Inf for epoch in range(1, n_epochs+1):# initialize variables to monitor training and validation losstrain_loss = 0.0valid_loss = 0.0#################### train the model ####################model.train()for batch_idx, (data, target) in enumerate(loaders['train']):# move to GPUif use_cuda:data, target = data.cuda(), target.cuda()## find the loss and update the model parameters accordingly## record the average training loss, using something like## train_loss = train_loss + ((1 / (batch_idx + 1)) * (loss.data - train_loss))optimizer.zero_grad()    ## find the loss and update the model parameters accordinglyoutput = model(data)loss = criterion(output, target)loss.backward()optimizer.step()## record the average training loss, using something like## train_loss = train_loss + ((1 / (batch_idx + 1)) * (loss.data - train_loss))train_loss += ((1 / (batch_idx + 1)) * (loss.data - train_loss))# print training/validation statistics if (batch_idx+1) % 40 == 0:print('Epoch: {} \tBatch: {} \tTraining Loss: {:.6f}'.format(epoch, batch_idx + 1, train_loss))######################    # validate the model #######################model.eval()for batch_idx, (data, target) in enumerate(loaders['valid']):# move to GPUif use_cuda:data, target = data.cuda(), target.cuda()## update the average validation lossoutput = model(data)loss = criterion(output, target)valid_loss += ((1 / (batch_idx + 1)) * (loss.data - valid_loss))# print training/validation statistics if (batch_idx+1) % 40 == 0:print('Epoch: {} \tBatch: {} \tValidation Loss: {:.6f}'.format(epoch, batch_idx + 1, valid_loss))# print training/validation statistics print('Epoch: {} \tTraining Loss: {:.6f} \tValidation Loss: {:.6f}'.format(epoch, train_loss,valid_loss))## TODO: save the model if validation loss has decreasedif valid_loss <= valid_loss_min:print('Validation loss decreased ({:.6f} --> {:.6f}).  Saving model ...'.format(valid_loss_min,valid_loss))torch.save(model.state_dict(), save_path)valid_loss_min = valid_loss    # return trained modelreturn modelepoch = 10# train the model
model_scratch = train(epoch, loaders_scratch, model_scratch, optimizer_scratch, criterion_scratch, use_cuda, 'model_scratch.pt')# load the model that got the best validation accuracy
model_scratch.load_state_dict(torch.load('model_scratch.pt'))

結(jié)果:

Epoch: 1 	Batch: 40 	Training Loss: 4.889728
Epoch: 1 	Batch: 80 	Training Loss: 4.887787
Epoch: 1 	Batch: 120 	Training Loss: 4.887685
Epoch: 1 	Batch: 160 	Training Loss: 4.885648
Epoch: 1 	Batch: 200 	Training Loss: 4.881847
Epoch: 1 	Batch: 240 	Training Loss: 4.873278
Epoch: 1 	Batch: 280 	Training Loss: 4.862270
Epoch: 1 	Batch: 320 	Training Loss: 4.854340
Epoch: 1 	Batch: 40 	Validation Loss: 4.712207
Epoch: 1 	Training Loss: 4.851301 	Validation Loss: 4.704982
Validation loss decreased (inf --> 4.704982).  Saving model ...
Epoch: 2 	Batch: 40 	Training Loss: 4.730308
Epoch: 2 	Batch: 80 	Training Loss: 4.719476
Epoch: 2 	Batch: 120 	Training Loss: 4.701708
Epoch: 2 	Batch: 160 	Training Loss: 4.695746
Epoch: 2 	Batch: 200 	Training Loss: 4.692133
Epoch: 2 	Batch: 240 	Training Loss: 4.675904
Epoch: 2 	Batch: 280 	Training Loss: 4.663143
Epoch: 2 	Batch: 320 	Training Loss: 4.650386
Epoch: 2 	Batch: 40 	Validation Loss: 4.488307
Epoch: 2 	Training Loss: 4.643542 	Validation Loss: 4.494160
Validation loss decreased (4.704982 --> 4.494160).  Saving model ...
Epoch: 3 	Batch: 40 	Training Loss: 4.474283
Epoch: 3 	Batch: 80 	Training Loss: 4.501595
Epoch: 3 	Batch: 120 	Training Loss: 4.477735
Epoch: 3 	Batch: 160 	Training Loss: 4.488136
Epoch: 3 	Batch: 200 	Training Loss: 4.490754
Epoch: 3 	Batch: 240 	Training Loss: 4.487989
Epoch: 3 	Batch: 280 	Training Loss: 4.490090
Epoch: 3 	Batch: 320 	Training Loss: 4.481546
Epoch: 3 	Batch: 40 	Validation Loss: 4.262285
Epoch: 3 	Training Loss: 4.479444 	Validation Loss: 4.275317
Validation loss decreased (4.494160 --> 4.275317).  Saving model ...
Epoch: 4 	Batch: 40 	Training Loss: 4.402790
Epoch: 4 	Batch: 80 	Training Loss: 4.372338
Epoch: 4 	Batch: 120 	Training Loss: 4.365306
Epoch: 4 	Batch: 160 	Training Loss: 4.367325
Epoch: 4 	Batch: 200 	Training Loss: 4.374326
Epoch: 4 	Batch: 240 	Training Loss: 4.369847
Epoch: 4 	Batch: 280 	Training Loss: 4.365964
Epoch: 4 	Batch: 320 	Training Loss: 4.363493
Epoch: 4 	Batch: 40 	Validation Loss: 4.249445
Epoch: 4 	Training Loss: 4.364571 	Validation Loss: 4.248449
Validation loss decreased (4.275317 --> 4.248449).  Saving model ...
Epoch: 5 	Batch: 40 	Training Loss: 4.229365
Epoch: 5 	Batch: 80 	Training Loss: 4.267400
Epoch: 5 	Batch: 120 	Training Loss: 4.269664
Epoch: 5 	Batch: 160 	Training Loss: 4.257591
Epoch: 5 	Batch: 200 	Training Loss: 4.261866
Epoch: 5 	Batch: 240 	Training Loss: 4.247512
Epoch: 5 	Batch: 280 	Training Loss: 4.239336
Epoch: 5 	Batch: 320 	Training Loss: 4.230827
Epoch: 5 	Batch: 40 	Validation Loss: 4.043582
Epoch: 5 	Training Loss: 4.231559 	Validation Loss: 4.039588
Validation loss decreased (4.248449 --> 4.039588).  Saving model ...
Epoch: 6 	Batch: 40 	Training Loss: 4.180193
Epoch: 6 	Batch: 80 	Training Loss: 4.140314
Epoch: 6 	Batch: 120 	Training Loss: 4.153989
Epoch: 6 	Batch: 160 	Training Loss: 4.140887
Epoch: 6 	Batch: 200 	Training Loss: 4.151268
Epoch: 6 	Batch: 240 	Training Loss: 4.153749
Epoch: 6 	Batch: 280 	Training Loss: 4.153314
Epoch: 6 	Batch: 320 	Training Loss: 4.156451
Epoch: 6 	Batch: 40 	Validation Loss: 3.940857
Epoch: 6 	Training Loss: 4.149529 	Validation Loss: 3.945810
Validation loss decreased (4.039588 --> 3.945810).  Saving model ...
Epoch: 7 	Batch: 40 	Training Loss: 4.060485
Epoch: 7 	Batch: 80 	Training Loss: 4.065772
Epoch: 7 	Batch: 120 	Training Loss: 4.056967
Epoch: 7 	Batch: 160 	Training Loss: 4.068470
Epoch: 7 	Batch: 200 	Training Loss: 4.076772
Epoch: 7 	Batch: 240 	Training Loss: 4.087616
Epoch: 7 	Batch: 280 	Training Loss: 4.074337
Epoch: 7 	Batch: 320 	Training Loss: 4.080192
Epoch: 7 	Batch: 40 	Validation Loss: 3.860693
Epoch: 7 	Training Loss: 4.078263 	Validation Loss: 3.884382
Validation loss decreased (3.945810 --> 3.884382).  Saving model ...
Epoch: 8 	Batch: 40 	Training Loss: 3.960585
Epoch: 8 	Batch: 80 	Training Loss: 3.983979
Epoch: 8 	Batch: 120 	Training Loss: 3.965129
Epoch: 8 	Batch: 160 	Training Loss: 3.965021
Epoch: 8 	Batch: 200 	Training Loss: 3.965830
Epoch: 8 	Batch: 240 	Training Loss: 3.976013
Epoch: 8 	Batch: 280 	Training Loss: 3.975547
Epoch: 8 	Batch: 320 	Training Loss: 3.978744
Epoch: 8 	Batch: 40 	Validation Loss: 3.784086
Epoch: 8 	Training Loss: 3.980776 	Validation Loss: 3.779312
Validation loss decreased (3.884382 --> 3.779312).  Saving model ...
Epoch: 9 	Batch: 40 	Training Loss: 3.917738
Epoch: 9 	Batch: 80 	Training Loss: 3.967938
Epoch: 9 	Batch: 120 	Training Loss: 3.934165
Epoch: 9 	Batch: 160 	Training Loss: 3.917138
Epoch: 9 	Batch: 200 	Training Loss: 3.910391
Epoch: 9 	Batch: 240 	Training Loss: 3.909857
Epoch: 9 	Batch: 280 	Training Loss: 3.907439
Epoch: 9 	Batch: 320 	Training Loss: 3.901893
Epoch: 9 	Batch: 40 	Validation Loss: 3.826410
Epoch: 9 	Training Loss: 3.903304 	Validation Loss: 3.824970
Epoch: 10 	Batch: 40 	Training Loss: 3.910845
Epoch: 10 	Batch: 80 	Training Loss: 3.910709
Epoch: 10 	Batch: 120 	Training Loss: 3.915924
Epoch: 10 	Batch: 160 	Training Loss: 3.900949
Epoch: 10 	Batch: 200 	Training Loss: 3.883792
Epoch: 10 	Batch: 240 	Training Loss: 3.882242
Epoch: 10 	Batch: 280 	Training Loss: 3.875963
Epoch: 10 	Batch: 320 	Training Loss: 3.858594
Epoch: 10 	Batch: 40 	Validation Loss: 3.638186
Epoch: 10 	Training Loss: 3.861175 	Validation Loss: 3.647465
Validation loss decreased (3.779312 --> 3.647465).  Saving model ...
<All keys matched successfully>

測試模型

在狗圖片的測試數(shù)據(jù)集中試用你的模型。使用下面的代碼單元計(jì)算和打印測試loss和準(zhǔn)確性。確保您的測試精度大于10%。

步驟 4: 使用CNN遷移學(xué)習(xí)來區(qū)分狗的品種

使用 遷移學(xué)習(xí)(Transfer Learning)的方法,能幫助我們在不損失準(zhǔn)確率的情況下大大減少訓(xùn)練時(shí)間。在以下步驟中,你可以嘗試使用遷移學(xué)習(xí)來訓(xùn)練你自己的CNN。

模型架構(gòu)

指定損失函數(shù)和優(yōu)化器

訓(xùn)練和驗(yàn)證模型

# train the model
from PIL import ImageFile
ImageFile.LOAD_TRUNCATED_IMAGES = Truedef train(n_epochs, loaders, model, optimizer, criterion, use_cuda, save_path):"""returns trained model"""# initialize tracker for minimum validation lossvalid_loss_min = np.Inf for epoch in range(1, n_epochs+1):# initialize variables to monitor training and validation losstrain_loss = 0.0valid_loss = 0.0#################### train the model ####################model.train()for batch_idx, (data, target) in enumerate(loaders['train']):# move to GPUif use_cuda:data, target = data.cuda(), target.cuda()optimizer.zero_grad()    ## find the loss and update the model parameters accordinglyoutput = model(data)loss = criterion(output, target)loss.backward()optimizer.step()## record the average training loss, using something like## train_loss = train_loss + ((1 / (batch_idx + 1)) * (loss.data - train_loss))train_loss += ((1 / (batch_idx + 1)) * (loss.data - train_loss))# print training/validation statistics if (batch_idx+1) % 40 == 0:print('Epoch: {} \tBatch: {} \tTraining Loss: {:.6f}'.format(epoch, batch_idx + 1, train_loss))######################    # validate the model #######################model.eval()for batch_idx, (data, target) in enumerate(loaders['valid']):# move to GPUif use_cuda:data, target = data.cuda(), target.cuda()## update the average validation lossoutput = model(data)loss = criterion(output, target)valid_loss += ((1 / (batch_idx + 1)) * (loss.data - valid_loss))# print training/validation statistics if (batch_idx+1) % 40 == 0:print('Epoch: {} \tBatch: {} \tValidation Loss: {:.6f}'.format(epoch, batch_idx + 1, valid_loss))# print training/validation statistics print('Epoch: {} \tTraining Loss: {:.6f} \tValidation Loss: {:.6f}'.format(epoch, train_loss,valid_loss))## TODO: save the model if validation loss has decreasedif valid_loss <= valid_loss_min:print('Validation loss decreased ({:.6f} --> {:.6f}).  Saving model ...'.format(valid_loss_min,valid_loss))torch.save(model.state_dict(), save_path)valid_loss_min = valid_loss    # return trained modelreturn modeln_epochs = 2
model_transfer = train(n_epochs, loaders_transfer, model_transfer, optimizer_transfer, criterion_transfer, use_cuda, 'model_transfer.pt')# load the model that got the best validation accuracy (uncomment the line below)
model_transfer.load_state_dict(torch.load('model_transfer.pt'))

結(jié)果:

測試模型

用模型預(yù)測狗的品種

編寫一個(gè)函數(shù),以圖像路徑作為輸入,并返回您的模型預(yù)測的狗的品種

步驟 5: 完成你的算法

實(shí)現(xiàn)一個(gè)算法,它的輸入為圖像的路徑,它能夠區(qū)分圖像是否包含一個(gè)人、狗或兩者都不包含,然后:

  • 如果從圖像中檢測到一只,返回被預(yù)測的品種。
  • 如果從圖像中檢測到,返回最相像的狗品種。
  • 如果兩者都不能在圖像中檢測到,輸出錯(cuò)誤提示。

我們非常歡迎你來自己編寫檢測圖像中人類與狗的函數(shù),你可以隨意地使用上方完成的?face_detector?和?dog_detector?函數(shù)。你需要在步驟5使用你的CNN來預(yù)測狗品種。

下面提供了算法的示例輸出,但你可以自由地設(shè)計(jì)自己的模型!

步驟 6: 測試你的算法

在這個(gè)部分中,你將嘗試一下你的新算法!算法認(rèn)為看起來像什么類型的狗?如果你有一只狗,它可以準(zhǔn)確地預(yù)測你的狗的品種嗎?如果你有一只貓,它會(huì)將你的貓誤判為一只狗嗎?

結(jié)果:

This is a human picture who looks like Norwich terrier

This is a human picture who looks like Curly-coated retriever

This is a human picture who looks like Curly-coated retriever

This is a dog picture and it's English cocker spaniel

This is a dog picture and it's Bloodhound

This is a dog picture and it's Lowchen

總結(jié)

以上是生活随笔為你收集整理的优达学城《DeepLearning》项目2:犬种分类器的全部內(nèi)容,希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò),歡迎將生活随笔推薦給好友。

精产嫩模国品一二三区 | www.久久爱.cn | 国产视频资源 | 美女露久久| 久久黄色a级片 | 亚洲综合小说 | av五月婷婷 | 久久久久久毛片精品免费不卡 | 久久精品99国产精品酒店日本 | 精品成人网 | 国内精品久久久久久久 | 午夜精品久久久久久99热明星 | 99久久国产免费免费 | 国产精品美女免费视频 | 97香蕉超级碰碰久久免费软件 | 91成人精品视频 | 成人av一区二区在线观看 | 国产伦精品一区二区三区高清 | 精品国产a | 成人免费色 | 成年人在线免费看视频 | 国产精品亚洲a | 天天综合成人 | 成人小电影在线看 | 91桃花视频 | 国产专区在线播放 | 91精品无人成人www | 成人午夜精品福利免费 | 人人爽人人爽人人爽人人爽 | 亚洲一区二区高潮无套美女 | 成人中文字幕+乱码+中文字幕 | 久久再线视频 | 日日操网站 | 国产精品九九九 | 综合色综合 | 91看片在线播放 | 91精品啪在线观看国产 | 99在线精品免费视频九九视 | 国产精品一二 | 鲁一鲁影院 | 久久麻豆精品 | 亚洲国产三级在线 | 日韩中文字幕a | 久久久久久久免费看 | 国产精彩视频一区二区 | 成人黄色在线视频 | 精品99免费 | 91女人18片女毛片60分钟 | 国产精品毛片久久蜜 | 日韩sese | 日本精品一区二区三区在线观看 | 亚洲黄色在线免费观看 | 成人黄色中文字幕 | 精品国产人成亚洲区 | 国产亚洲欧美日韩高清 | 一区二区三区四区五区在线 | 人人爽夜夜爽 | 在线日韩中文 | 国产综合片 | 午夜精品一区二区三区四区 | 一级黄色电影网站 | 激情五月六月婷婷 | 国产精品视频你懂的 | 久久午夜色播影院免费高清 | 九九导航| 久久这里只有精品首页 | 免费观看特级毛片 | 成年人免费在线播放 | 五月婷婷在线观看视频 | 免费一级片视频 | 午夜精品视频一区二区三区在线看 | 二区精品视频 | 亚洲天堂精品视频在线观看 | 成人免费电影 | 国内精品久久久久影院优 | 青青草视频精品 | 久久久午夜电影 | 国产乱对白刺激视频不卡 | 一本一道波多野毛片中文在线 | 国产高清99 | 在线日韩一区 | 国产免费嫩草影院 | 亚洲狠狠操 | 制服丝袜在线91 | 欧美极品xxx| 国产欧美精品一区aⅴ影院 99视频国产精品免费观看 | 久久成人国产 | 四虎影视成人永久免费观看视频 | 综合久久久 | 欧美91av| 狠狠做深爱婷婷综合一区 | 91色偷偷 | av经典在线 | 午夜私人影院 | 97超级碰碰| 天天玩夜夜操 | 在线观看国产中文字幕 | 看毛片的网址 | 欧美日韩伦理在线 | 久久精品99国产国产 | 免费看的黄网站 | 精品国产精品久久一区免费式 | 亚洲精品 在线视频 | www.久久视频| 成人毛片一区 | 91在线视频免费播放 | 黄色毛片电影 | 99久久一区 | 久草精品视频 | 久久久av电影 | 国内精品久久久久久中文字幕 | 91激情小视频 | 国产精品丝袜在线 | 97在线资源| 久久视频在线观看 | 伊人久久五月天 | 国产精品igao视频网入口 | 992tv在线| 少妇bbbb搡bbbb搡bbbb | 欧美日韩国产精品一区二区 | 中文字幕亚洲在线观看 | 在线涩涩 | 4hu视频 | 2019国产精品| 超碰国产在线观看 | 午夜美女影院 | 欧美精品亚州精品 | 久久综合九色综合网站 | 一级性av| 国产不卡在线观看视频 | 午夜久久视频 | 日韩电影中文 | av三级在线免费观看 | 国产一区免费在线观看 | 在线国产99 | 欧美日韩午夜 | 一区二区三区在线视频111 | 天天操天天摸天天爽 | 成人污视频在线观看 | 久久性生活片 | 久久人视频 | 中文字幕高清在线 | 久草视频观看 | 国产成人精品一区二区在线观看 | 国产精品美女久久 | 国产a高清 | 国产高清免费在线播放 | 最新av在线播放 | a久久久久| 国产精品九九热 | 国产精品入口久久 | 正在播放 久久 | 国产精品6 | 久久免费观看视频 | 黄色毛片电影 | 欧美日韩国产页 | 日本午夜免费福利视频 | 一级黄色a视频 | 日韩精品一区二区三区水蜜桃 | 国产在线免费av | 最新av免费在线观看 | 精品亚洲午夜久久久久91 | 日韩精品免费一区二区三区 | 午夜精品麻豆 | 久久69av| 日韩最新在线 | 久久久久国产一区二区 | www.色爱 | 一区二区三区av在线 | 国产成人精品久 | 成人在线视频在线观看 | 国产亚洲精品美女久久 | 久久免费毛片 | 亚洲综合情 | 免费观看国产精品视频 | 亚洲好视频| 日韩在线观看网址 | 欧美久久久久久久久久久久久 | www.五月激情.com | 久久综合电影 | 日韩欧美综合精品 | 成年人免费在线观看网站 | 日韩久久精品一区二区 | 911免费视频| 久久人人做 | 日韩av福利在线 | 欧美性爽爽 | 成年人国产在线观看 | 丝袜美腿在线播放 | 99超碰在线播放 | 天堂av观看 | 国际精品久久久久 | 亚洲欧美国内爽妇网 | 中文字幕资源网 | 国内精品久久影院 | 亚洲电影黄色 | 精品福利国产 | 国产在线观看污片 | 在线视频专区 | 911香蕉视频 | 久久久高清 | 欧美影片| 久草在线看片 | 天天干天天搞天天射 | 亚洲一区二区观看 | 五月花丁香婷婷 | 99精品久久久 | 欧美少妇影院 | 免费中文字幕在线观看 | 99re国产| 久久久久久久久久久高潮一区二区 | 久久激情日本aⅴ | 精品在线视频观看 | 久久综合久久综合这里只有精品 | 中文字幕日韩电影 | 91精品免费看 | avv天堂| 亚洲激情综合 | 亚洲精品乱码久久久久久写真 | 国产精品第一视频 | av丝袜在线 | 日本女人逼 | 5月丁香婷婷综合 | 中文字幕av专区 | 最近中文字幕高清字幕在线视频 | 日韩电影中文字幕在线 | 中文免费 | 色综合久久久久综合 | 午夜三级毛片 | 日韩黄色影院 | 亚洲精品玖玖玖av在线看 | avav99| 亚洲视频在线播放 | 国产色在线观看 | 美女福利视频 | 天天看天天干 | 免费观看第二部31集 | 在线观看 国产 | 五月婷在线观看 | 国产精品国产三级国产不产一地 | 日韩乱码中文字幕 | 国产精品成人av久久 | 免费国产视频 | 又黄又爽又刺激视频 | 久久99精品国产91久久来源 | 涩涩网站在线看 | 在线看v片成人 | 9在线观看免费高清完整版 玖玖爱免费视频 | 色婷婷综合久久久久 | 国产一区二区三区免费视频 | 日韩电影在线看 | 欧美性超爽 | 国产精品麻豆果冻传媒在线播放 | 91伊人久久大香线蕉蜜芽人口 | 夜夜操天天干, | 国产自在线 | 97超级碰碰碰视频在线观看 | 91福利区一区二区三区 | 色在线国产 | 久久色中文字幕 | 国产二区免费视频 | 天天夜夜狠狠操 | 中文字幕在线乱 | 91精品国自产拍天天拍 | 欧美日韩色婷婷 | 免费黄色特级片 | 久久一区91 | 99色视频在线 | 黄色小网站在线 | 天天操人| 一区二区三区在线影院 | 天天色天天操综合 | 欧美狠狠操| 亚洲国产剧情 | 美女精品 | 中文字幕123区| 日韩精品久久一区二区三区 | 中文字幕免费高清av | 五月婷色 | 亚洲精品美女在线观看 | 色综合天天综合 | 成人久久免费 | 亚洲精品国偷拍自产在线观看 | 麻豆一二三精选视频 | 国产69精品久久99不卡的观看体验 | 久久乐九色婷婷综合色狠狠182 | 在线观看视频国产 | 日本99精品| 一本一道久久a久久精品 | 日本狠狠干 | 欧美日韩在线播放一区 | 久久伊人精品天天 | 免费av在线播放 | 欧美日韩一级久久久久久免费看 | 天天干天天摸 | 久久综合免费 | 特级西西444www大精品视频免费看 | 国产在线观看你懂得 | 一级黄色大片在线观看 | 欧美日韩性视频 | japanese黑人亚洲人4k | 伊人网综合在线观看 | av三级在线播放 | 日本精品视频在线观看 | 黄色大片免费网站 | 日本精品一二区 | 六月天综合网 | 国产成人精品不卡 | 日韩欧美一区二区在线 | 亚洲视频1| 97夜夜澡人人双人人人喊 | 久久国产视频网 | 成人h动漫精品一区二 | 在线观看免费av网站 | 国产一二三精品 | 奇米影视8888在线观看大全免费 | 五月天av在线 | 一区二区三区观看 | 久久久精品成人 | 久久精品视频18 | 啪啪激情网 | 久久免费国产精品 | 欧美一区二区三区免费观看 | 国产精品一二三 | 99视屏| 中文字幕在 | 中文字幕久久久精品 | 国内外成人在线视频 | 五月婷婷综合在线 | 欧美一级片免费在线观看 | 色综合久| 免费看成人片 | 成人久久久久久久久 | 成人在线视频你懂的 | 日韩欧美一区二区三区在线 | 精品国产一区二区三区久久久 | 天堂网av 在线 | 亚洲狠狠操 | 亚洲少妇xxxx | 亚洲人成在线电影 | 国产原创中文在线 | 456成人精品影院 | av东方在线 | 国产视频资源在线观看 | 天天操夜夜做 | 国产小视频免费在线网址 | bbbbb女女女女女bbbbb国产 | 丝袜制服天堂 | 五月婷婷在线观看 | 国产视频手机在线 | 国产精品粉嫩 | 草久久精品| 国产又粗又猛又爽又黄的视频免费 | 天天干中文字幕 | 91pony九色丨交换 | 久久久久久黄色 | 天天射一射| 日韩精品一区在线观看 | 欧美与欧洲交xxxx免费观看 | 一本一道久久a久久精品 | 国产黄色片网站 | 国产精品久久久久久久av大片 | 亚洲最大激情中文字幕 | 精品五月天 | 4hu视频| 亚洲aaa级 | 久久久久久久久免费 | 久久 地址 | 午夜av不卡| 日韩av片无码一区二区不卡电影 | av中文字幕在线免费观看 | 福利一区二区三区四区 | 黄色三级av | 天天天干天天射天天天操 | 国内偷拍精品视频 | 看片黄网站 | 久久精品日产第一区二区三区乱码 | 99精品免费网 | 97在线观看免费观看 | 51久久夜色精品国产麻豆 | 国产一级免费在线 | 日日草天天草 | 免费一区在线 | 麻豆传媒在线视频 | 亚洲视频精选 | 国产一区福利在线 | 久久久久久久久久影视 | 国产精品中文字幕在线 | 久久伊人八月婷婷综合激情 | 成人性生交大片免费观看网站 | 欧美福利视频一区 | 色综合天天综合在线视频 | 精品在线观看一区二区 | 亚洲精品国产精品国自产观看浪潮 | 91免费视频黄 | 亚洲a网| 99视频国产精品免费观看 | 欧美三级高清 | 欧美视频国产视频 | 国产中文字幕一区二区三区 | 国产精品国产三级国产aⅴ无密码 | 精品国产一区二区三区在线观看 | 久久首页 | 成年人免费观看在线视频 | 色av男人的天堂免费在线 | 国产日产av | 成人av在线影院 | 亚洲精品乱码久久久久久 | 久久精品在线视频 | 精品国产一区二区在线 | 999电影免费在线观看2020 | 狠狠色婷婷丁香六月 | a视频免费 | 亚洲成人一区 | 久热精品国产 | 999久久久欧美日韩黑人 | 国产一区电影在线观看 | 日韩精品一区二区三区免费观看视频 | 亚洲国产精品va在线看黑人 | 亚洲综合视频在线观看 | 天堂av一区二区 | 在线精品视频免费播放 | 欧美日韩另类在线 | 国产一级视屏 | 日韩欧美有码在线 | 国产白浆视频 | 91亚洲精品国偷拍自产在线观看 | 久久国产精品99久久久久久丝袜 | 日韩精品一区二区三区免费视频观看 | 欧美日韩有码 | 久久爱资源网 | 亚洲一级影院 | 69国产精品视频 | 国产精品美女 | 中文av不卡 | 人人插人人做 | 日韩理论片在线观看 | 爱情影院aqdy鲁丝片二区 | 人人网人人爽 | 日韩激情在线视频 | 99久久久久久国产精品 | 亚洲精品在线资源 | 国产精品久久久久久久久大全 | 国产精品福利久久久 | 九九视频免费 | 日韩精品观看 | 精品久久1| 国产vs久久 | 国产成人一区二区三区免费看 | av国产网站 | 国产精品久久久视频 | 亚洲精品www久久久久久 | 免费在线观看午夜视频 | 91精品一 | 欧洲精品视频一区 | 天天在线视频色 | 免费一级片视频 | 午夜婷婷在线观看 | 亚洲精品国产成人 | 超碰人人在线观看 | 精品在线亚洲视频 | www.黄色小说.com| 麻豆国产网站 | 五月婷婷毛片 | 天天插天天干天天操 | 国产成人精品久久久久 | 中文字幕av一区二区三区四区 | 91免费版在线 | 久久综合给合久久狠狠色 | 免费在线播放视频 | 久久免费毛片视频 | 日本h在线播放 | 一区二区欧美在线观看 | 91成人免费看片 | 亚洲精品视频在线免费播放 | 五月婷婷中文网 | 中文字幕在线播放第一页 | 免费视频国产 | 久久福利在线 | 在线中文字幕观看 | 日韩女同一区二区三区在线观看 | 国产成人精品久久久久蜜臀 | 久久精品官网 | 欧美日本三级 | 手机看片国产 | 久草视频网 | 日韩欧美91 | www.久久成人 | 亚洲狠狠操 | 欧美精品国产综合久久 | 精品不卡av| 日本女人的性生活视频 | 欧美一区二区在线免费观看 | 天天躁日日躁狠狠躁 | 久久理论电影 | 久久久久久久久久网站 | 欧美另类重口 | 成人免费 在线播放 | 日韩欧美视频一区二区三区 | 97成人资源| 色资源网免费观看视频 | 欧美日本在线视频 | 精品久久中文 | 精品久久久久久久久久久久久久久久 | 四虎免费在线观看视频 | 久久99网| 国产精品手机视频 | 国产在线视频资源 | 97成人精品视频在线播放 | 九九视频免费观看视频精品 | 日韩av高清在线观看 | 午夜.dj高清免费观看视频 | 天天综合天天综合 | 亚洲aⅴ一区二区三区 | 黄污在线观看 | 色搞搞| 欧美激情在线网站 | 欧美色久 | 国产精品 日韩精品 | 日韩在线观看你懂得 | www视频免费在线观看 | 丁香激情五月 | 久久午夜精品影院一区 | 欧美性爽爽| 最新色站 | 又爽又黄又刺激的视频 | 亚洲成av人片一区二区梦乃 | 国产精品久久久久久久久久了 | 日韩av午夜在线观看 | 日韩精品一区在线观看 | 久久不射电影院 | 精品久久网站 | www黄com| 波多野结衣小视频 | 精品视频123区在线观看 | 超碰97在线资源站 | 伊人婷婷综合 | 国产精品淫 | 这里只有精品视频在线观看 | 久久久久久久毛片 | 日本系列中文字幕 | 蜜臀av.com| 丰满少妇高潮在线观看 | 午夜精品视频免费在线观看 | 久久视频这里只有精品 | 久久草在线免费 | av不卡中文 | 久久99偷拍视频 | 久久高清国产视频 | 欧美极品裸体 | 久久国产精品久久国产精品 | 午夜精品一区二区三区免费视频 | 亚洲专区视频在线观看 | 三日本三级少妇三级99 | 一级欧美黄 | 91精品国产92久久久久 | 国产成视频在线观看 | 91丨九色丨蝌蚪丨对白 | 免费在线观看污网站 | 日韩欧美国产视频 | 丁香免费视频 | 天天综合网 天天 | 97网站| 又爽又黄又刺激的视频 | 久久国产一二区 | 麻豆高清免费国产一区 | 狠狠色噜噜狠狠狠狠 | 伊人永久在线 | 欧美另类美少妇69xxxx | 欧美aa在线 | 日日操天天操狠狠操 | 久久精品中文字幕 | 国产男女无遮挡猛进猛出在线观看 | 午夜精品在线看 | 在线免费观看黄网站 | 91精品在线观看视频 | 黄色aa久久 | 91视频一8mav| 国产成人av电影在线 | 国产精品6999成人免费视频 | 日韩成人免费电影 | 国产精品每日更新 | 久久一区91 | 国产91aaa| 91少妇精拍在线播放 | 国产黄色精品在线观看 | 91精品视频在线观看免费 | 久久久精品福利视频 | 国产精品久久久久婷婷 | 久久久免费毛片 | 色婷婷导航 | 久久美女高清视频 | 日韩女同av | 天堂麻豆 | 久9在线 | 亚洲dvd| 亚洲精品国偷拍自产在线观看蜜桃 | 91爱在线 | 国产精品免费看久久久8精臀av | 免费看片黄色 | 色操插 | www.97视频| 国产高清免费视频 | 一区二区三区电影在线播 | av中文在线观看 | 久久久久网站 | 日韩精品一区二区久久 | 精品一区二区日韩 | 亚洲精品动漫成人3d无尽在线 | 欧美小视频在线观看 | 成人av在线网址 | 成人av在线影视 | 免费高清国产 | 久综合网| 精品在线视频一区 | 欧美激情精品久久久 | 亚洲精品乱码久久久久 | 二区在线播放 | 九九九热视频 | 狠狠地操| 国产精品嫩草影院9 | 黄色av免费电影 | 久久精品中文字幕免费mv | 人人揉人人揉人人揉人人揉97 | 精品国产aⅴ一区二区三区 在线直播av | 国产精品av电影 | 久久久久这里只有精品 | 国产精品久久久久一区二区三区共 | 日韩精品一区二区三区中文字幕 | 麻豆91视频 | 911精品美国片911久久久 | 99热精品在线观看 | 丁香激情婷婷 | 亚洲天天草 | 亚洲国产欧洲综合997久久, | 欧女人精69xxxxxx | 国产区欧美 | 99草视频在线观看 | 欧美a级成人淫片免费看 | 国产黄色在线网站 | 色综合中文综合网 | 成人国产精品免费观看 | 中文字幕在线视频网站 | 欧美日韩精品在线免费观看 | 欧美成人按摩 | 又爽又黄又刺激的视频 | 国产黄色大全 | 国产小视频免费在线网址 | 欧美成人xxxx| 91麻豆精品国产自产在线 | 片网站| 色妞久久福利网 | 亚洲无人区小视频 | 97视频免费 | 三级黄在线 | 久久美女免费视频 | 一二三区视频在线 | 国产亚洲精品久久久久秋 | 日本视频久久久 | 天天躁天天躁天天躁婷 | 国产成人av免费在线观看 | 天天色影院 | 97操操操| 黄色大全免费网站 | 91天堂在线观看 | 99久久精品电影 | 久久综合偷偷噜噜噜色 | 在线免费av播放 | 国产91学生| 亚洲开心色 | 天堂资源在线观看视频 | 69国产盗摄一区二区三区五区 | 免费一级片视频 | 亚洲精品黄色片 | 国产精品久久久久久久久久久久午夜 | av综合站 | 51久久夜色精品国产麻豆 | 99国产情侣在线播放 | 99视频免费在线观看 | 色婷婷成人网 | 嫩小bbbb摸bbb摸bbb | 免费高清在线观看电视网站 | 国产免费又爽又刺激在线观看 | 欧美最爽乱淫视频播放 | 亚洲 欧美 日韩 综合 | 国产亚洲视频在线免费观看 | 最新av网站在线观看 | 国产精品大全 | 成人av高清在线 | 久久精品欧美一区二区三区麻豆 | 日韩电影在线观看中文字幕 | 成人影片在线播放 | 国产日产在线观看 | av色一区| 在线视频黄 | 久久黄色成人 | 日本中文字幕在线电影 | 国产一区二区三区免费视频 | 五月天综合在线 | 人人藻人人澡人人爽 | 久久免费在线观看视频 | 奇米影视777四色米奇影院 | 日日爱视频 | 中文字幕观看av | 国产精品免费观看久久 | 中文字幕在线高清 | 欧美日韩高清在线一区 | 中文字幕久久久精品 | 日韩久久精品一区二区 | 日本免费久久高清视频 | 国产精品久久久久久久妇 | 992tv人人网tv亚洲精品 | 九九视频网站 | 亚洲另类视频在线观看 | 91视频免费看片 | 国产精品久久久久久69 | 欧美视频在线观看免费网址 | 国产免费小视频 | 日韩高清精品一区二区 | 91精品办公室少妇高潮对白 | 国产传媒中文字幕 | 亚洲午夜精品一区 | 综合久久网站 | 精品久久久久久国产偷窥 | 精品a在线 | 天天综合天天综合 | av直接看| 97精品视频在线播放 | 国产99中文字幕 | 美女久久久 | 中国精品一区二区 | 亚洲成人一区 | 三级免费黄色 | 亚洲精品欧美视频 | 中文成人字幕 | 啪嗒啪嗒免费观看完整版 | 综合五月婷婷 | 亚洲国产精品成人综合 | 中文字幕一区二区三区乱码不卡 | 视频成人免费 | 91成人在线观看喷潮 | 手机在线看片日韩 | 亚洲精品乱码久久久久久按摩 | 国产精品毛片久久久 | 久久永久免费视频 | 国产亚洲精品久久19p | 免费国产在线视频 | 日日干精品 | 精品视频123区在线观看 | 日韩精品一区二区三区免费视频观看 | 又黄又刺激的视频 | 97视频免费观看 | 日韩精品一区二区免费 | 丝袜+亚洲+另类+欧美+变态 | 国产人成看黄久久久久久久久 | 国产综合婷婷 | 国产又粗又猛又爽 | 500部大龄熟乱视频使用方法 | 日韩大陆欧美高清视频区 | 日韩黄色免费看 | 丁香五婷| 精品国产伦一区二区三区 | 久久精品这里都是精品 | 黄色av免费 | 五月天精品视频 | 免费在线观看成人av | 亚洲免费精彩视频 | 91久久国产露脸精品国产闺蜜 | 看国产黄色大片 | 99视频在线精品国自产拍免费观看 | 91亚洲精 | 日韩免费在线视频观看 | 中文字幕日韩国产 | 97人人艹 | 国产精品美女久久久久久久 | 91丨九色丨蝌蚪丨对白 | 久久久国产在线视频 | 黄色一集片 | 日韩欧美在线中文字幕 | 日韩中文字幕在线观看 | 一区二区三区精品在线视频 | 欧美日韩视频在线播放 | 国产精品短视频 | 91精品国产成人观看 | 亚洲精品成人 | 麻豆免费观看视频 | 99久久久国产精品免费99 | 99精品国产兔费观看久久99 | 中文字幕日韩电影 | 91av视频在线免费观看 | 香蕉视频最新网址 | 国产视频在线免费观看 | 97成人资源站 | 成人h动漫在线看 | 国产精品综合久久久 | 国产精品美女免费看 | 婷婷视频导航 | 国产美女被啪进深处喷白浆视频 | 日韩午夜av | 国产亚洲综合精品 | 欧美一级视频免费看 | 夜色.com | 91污视频在线观看 | 日本黄色黄网站 | 久久精品视频在线看 | 蜜臀久久99精品久久久无需会员 | 中文字幕在线免费观看视频 | 亚洲欧美成aⅴ人在线观看 四虎在线观看 | 国产精品久久9 | 婷婷色影院 | 日韩18p| 五月天久久婷 | 欧美激情第一区 | 国产黄色精品在线 | 一区二区三区视频网站 | 日韩精品极品视频 | 亚色视频在线观看 | a√天堂资源 | 日韩午夜电影 | 视频在线在亚洲 | 91亚洲网站 | 99热99| 日本成人中文字幕在线观看 | 成年人视频在线 | 九九色视频 | 国产精品嫩草影院99网站 | 色综合综合 | 国产视频一区在线播放 | 国产录像在线观看 | 久久久久国产精品厨房 | 亚洲无在线 | 中文av网 | 91av美女| 久久伊人精品天天 | 深爱五月激情网 | 在线高清 | 免费视频成人 | 亚洲精品一区二区在线观看 | 亚洲va欧洲va国产va不卡 | 免费视频a | 亚洲精品videossex少妇 | 亚洲三级国产 | 中文字幕二区在线观看 | 日韩av影视在线 | 中文字幕在线免费观看视频 | 免费观看视频黄 | 中文字幕视频一区 | 欧美婷婷综合 | 中文在线字幕观看电影 | 9免费视频 | 中文字幕视频三区 | 免费h精品视频在线播放 | 在线黄色免费 | 97在线视频免费 | 伊人在线视频 | 免费日p视频 | 狠狠干狠狠色 | 久久久性 | 国产一性一爱一乱一交 | 在线色亚洲 | 一区二区三区手机在线观看 | 久久精品视频在线观看免费 | 久久美女免费视频 | 久久精品国产亚洲精品 | 婷婷综合在线 | 久久免费国产 | 久久国产精品精品国产色婷婷 | 人人dvd| 国产 一区二区三区 在线 | 人人看黄色 | 99精品视频免费 | 欧美日韩午夜爽爽 | 天天操天 | 国产免费一区二区三区最新 | 日日夜夜天天 | 9在线观看免费高清完整版在线观看明 | 久草在线免费新视频 | 日韩精品免费专区 | 国产九九九精品视频 | 在线免费观看视频 | 色网免费观看 | 亚洲综合色视频在线观看 | 99精品在线免费视频 | 午夜久久福利视频 | 久久久精品国产一区二区电影四季 | 天天草天天干天天 | 国产精品久久久久免费 | 成人午夜免费剧场 | 久久五月激情 | 二区中文字幕 | 91在线一区二区 | 国产亚洲精品女人久久久久久 | 国产精品久久久久久久久久久久 | 五月婷婷电影网 | 亚洲欧美日韩国产一区二区三区 | 国产 精品 资源 | 玖玖精品视频 | 色综合 久久精品 | 视频福利在线观看 | 成年人免费在线观看网站 | 免费在线观看一级片 | 91在线看片 | 麻豆果冻剧传媒在线播放 | 欧美大jb| 在线播放 日韩专区 | 麻花豆传媒一二三产区 | 国产成人香蕉 | 久久精品99国产国产 | 成人在线你懂得 | 日精品在线观看 | 欧美日韩另类在线 | 高清视频一区二区三区 | 69国产盗摄一区二区三区五区 | 99一区二区三区 | a级国产乱理论片在线观看 伊人宗合网 | 亚洲精品视频免费 | 黄色免费网站大全 | av在线观| 五月婷婷丁香六月 | 国内精品国产三级国产aⅴ久 | 一区二区视频在线免费观看 | 四虎成人精品在永久免费 | 婷婷丁香狠狠爱 | 中文字幕黄色av | 日韩精品久久久久久久电影99爱 | 欧美 日韩精品 | 91精品国产福利在线观看 | 在线观看免费成人av | 精品专区 | 亚洲作爱 | 国产精品嫩草影视久久久 | 九九视频免费在线观看 | 97视频资源| av日韩国产| 国产精品原创视频 | 91在线成人 | 97在线看片 | 久爱精品在线 | 亚洲乱码国产乱码精品天美传媒 | 欧美在线91 | 久久伊人综合 | 亚洲精品一区二区三区高潮 | 国产一区二区在线免费播放 | 国产精品毛片一区视频播 | 亚洲成av人片在线观看无 | 国产成人精品一区二区在线观看 | 一区免费在线 | 中日韩免费视频 | 亚洲国产成人精品电影在线观看 | 久久综合色婷婷 | 在线看v片成人 | 久久狠狠一本精品综合网 | 黄色一级在线观看 | 成人黄色在线电影 | 久久精品视频网站 | 久久精品视频免费观看 | 国产精品久久久电影 | 99国产视频 | 美腿丝袜一区二区三区 | 日韩三级免费观看 | 五月天久久综合 | 四虎在线视频 | 亚洲精品天天 | 996久久国产精品线观看 | 国产日韩视频在线 | 综合久久精品 | 一区二区三区四区精品视频 | 中文字幕视频网站 | 六月丁香在线观看 | 亚洲日本精品视频 | 国产美女视频黄a视频免费 久久综合九色欧美综合狠狠 | 色噜噜狠狠色综合中国 | 国产精品中文字幕在线播放 | 久久亚洲专区 | 欧美日韩国产欧美 | 狠狠躁夜夜av | 中文字幕在线观看网站 | 天堂av免费在线 | 91在线一区 | 日韩在线观看视频中文字幕 | 精品国产乱码久久久久久三级人 | 国产成人在线网站 | av免费黄色 | 日韩久久一区二区 | 在线观看久久 | 丁香激情五月 | 色吊丝在线永久观看最新版本 | 黄色小说在线免费观看 | 日韩大片在线播放 | 这里只有精彩视频 | 在线观看av大片 | 国产精品综合在线观看 | 日日干 天天干 | 日本性久久 | 中文字幕在线观看第二页 | 国产视频精品在线 | 久久久香蕉视频 | 亚洲精品一区二区三区四区高清 |