欧美性色黄大片www喷水-蜜桃av在线播放-人妻无码αv中文字幕久久琪琪布-乱码午夜-极品国产内射-久久久福利视频-久久久久网址

您現在所在的位置:首頁 >關于奇酷 > 行業動態 > 27個Python人工智能庫,建議收藏!

27個Python人工智能庫,建議收藏!

來源:奇酷教育 發表于:

27個Python人工智能庫,建議收藏!

  27個Python人工智能庫,建議收藏!

 
  1、Numpy
  NumPy(Numerical Python)是 Python的一個擴展程序庫,支持大量的維度數組與矩陣運算,此外也針對數組運算提供大量的數學函數庫,Numpy底層使用C語言編寫,數組中直接存儲對象,而不是存儲對象指針,所以其運算效率遠高于純Python代碼。
  我們可以在示例中對比下純Python與使用Numpy庫在計算列表sin值的速度對比:
 
  import numpy as np
  import math
  import random
  import time
 
  start = time.time()
  for i in range(10):
      list_1 = list(range(1,10000))
      for j in range(len(list_1)):
          list_1[j] = math.sin(list_1[j])
  print(使用純Python用時{}s.format(time.time()-start))
 
  start = time.time()
  for i in range(10):
      list_1 = np.array(np.arange(1,10000))
      list_1 = np.sin(list_1)
  print(使用Numpy用時{}s.format(time.time()-start))
  從如下運行結果,可以看到使用 Numpy 庫的速度快于純 Python 編寫的代碼:
 
  使用純Python用時0.017444372177124023s
  使用Numpy用時0.001619577407836914s
 
  2、OpenCV
  OpenCV 是一個的跨平臺計算機視覺庫,可以運行在 Linux、Windows 和 Mac OS 操作系統上。它輕量級而且高效——由一系列 C 函數和少量 C++ 類構成,同時也提供了 Python 接口,實現了圖像處理和計算機視覺方面的很多通用算法。
  下面代碼嘗試使用一些簡單的濾鏡,包括圖片的平滑處理、高斯模糊等:
 
  import numpy as np
  import cv2 as cv
  from matplotlib import pyplot as plt
  img = cv.imread('h89817032p0.png')
  kernel = np.ones((5,5),np.float32)/25
  dst = cv.filter2D(img,-1,kernel)
  blur_1 = cv.GaussianBlur(img,(5,5),0)
  blur_2 = cv.bilateralFilter(img,9,75,75)
  plt.figure(figsize=(10,10))
  plt.subplot(221),plt.imshow(img[:,:,::-1]),plt.title('Original')
  plt.xticks([]), plt.yticks([])
  plt.subplot(222),plt.imshow(dst[:,:,::-1]),plt.title('Averaging')
  plt.xticks([]), plt.yticks([])
  plt.subplot(223),plt.imshow(blur_1[:,:,::-1]),plt.title('Gaussian')
  plt.xticks([]), plt.yticks([])
  plt.subplot(224),plt.imshow(blur_1[:,:,::-1]),plt.title('Bilateral')
  plt.xticks([]), plt.yticks([])
  plt.show()
 
 
  
  OpenCV
 
 
  3、Scikit-image
  scikit-image是基于scipy的圖像處理庫,它將圖片作為numpy數組進行處理。
  例如,可以利用scikit-image改變圖片比例,scikit-image提供了rescale、resize以及downscale_local_mean等函數。
 
  from skimage import data, color, io
  from skimage.transform import rescale, resize, downscale_local_mean
 
  image = color.rgb2gray(io.imread('h89817032p0.png'))
 
  image_rescaled = rescale(image, 0.25, anti_aliasing=False)
  image_resized = resize(image, (image.shape[0] // 4, image.shape[1] // 4),
                         anti_aliasing=True)
  image_downscaled = downscale_local_mean(image, (4, 3))
  plt.figure(figsize=(20,20))
  plt.subplot(221),plt.imshow(image, cmap='gray'),plt.title('Original')
  plt.xticks([]), plt.yticks([])
  plt.subplot(222),plt.imshow(image_rescaled, cmap='gray'),plt.title('Rescaled')
  plt.xticks([]), plt.yticks([])
  plt.subplot(223),plt.imshow(image_resized, cmap='gray'),plt.title('Resized')
  plt.xticks([]), plt.yticks([])
  plt.subplot(224),plt.imshow(image_downscaled, cmap='gray'),plt.title('Downscaled')
  plt.xticks([]), plt.yticks([])
  plt.show()
 
 
  
  Scikit-image
 
 
  4、PIL
  Python Imaging Library(PIL) 已經成為 Python 事實上的圖像處理標準庫了,這是由于,PIL 功能非常強大,但API卻非常簡單易用。
  但是由于PIL僅支持到 Python 2.7,再加上年久失修,于是一群志愿者在 PIL 的基礎上創建了兼容的版本,名字叫 Pillow,支持最新 Python 3.x,又加入了許多新特性,因此,我們可以跳過 PIL,直接安裝使用 Pillow。
 
  5、Pillow
  使用 Pillow 生成字母驗證碼圖片:
 
  from PIL import Image, ImageDraw, ImageFont, ImageFilter
 
  import random
 
  # 隨機字母:
  def rndChar():
      return chr(random.randint(65, 90))
 
  # 隨機顏色1:
  def rndColor():
      return (random.randint(64, 255), random.randint(64, 255), random.randint(64, 255))
 
  # 隨機顏色2:
  def rndColor2():
      return (random.randint(32, 127), random.randint(32, 127), random.randint(32, 127))
 
  # 240 x 60:
  width = 60 * 6
  height = 60 * 6
  image = Image.new('RGB', (width, height), (255, 255, 255))
  # 創建Font對象:
  font = ImageFont.truetype('/usr/share/fonts/wps-office/simhei.ttf', 60)
  # 創建Draw對象:
  draw = ImageDraw.Draw(image)
  # 填充每個像素:
  for x in range(width):
      for y in range(height):
          draw.point((x, y), fill=rndColor())
  # 輸出文字:
  for t in range(6):
      draw.text((60 * t + 10, 150), rndChar(), font=font, fill=rndColor2())
  # 模糊:
  image = image.filter(ImageFilter.BLUR)
  image.save('code.jpg', 'jpeg')
 
 
  
  驗證碼
 
 
  6、SimpleCV
  SimpleCV 是一個用于構建計算機視覺應用程序的開源框架。使用它,可以訪問高性能的計算機視覺庫,如 OpenCV,而不必首先了解位深度、文件格式、顏色空間、緩沖區管理、特征值或矩陣等術語。但其對于 Python3 的支持很差很差,在 Python3.7 中使用如下代碼:
 
  from SimpleCV import Image, Color, Display
  # load an image from imgur
  img = Image('http://i.imgur.com/lfAeZ4n.png')
  # use a keypoint detector to find areas of interest
  feats = img.findKeypoints()
  # draw the list of keypoints
  feats.draw(color=Color.RED)
  # show the  resulting image. 
  img.show()
  # apply the stuff we found to the image.
  output = img.applyLayers()
  # save the results.
  output.save('juniperfeats.png')
  會報如下錯誤,因此不建議在 Python3 中使用:
 
  SyntaxError: Missing parentheses in call to 'print'. Did you mean print('unit test')?
  7、Mahotas
  Mahotas 是一個快速計算機視覺算法庫,其構建在 Numpy 之上,目前擁有超過100種圖像處理和計算機視覺功能,并在不斷增長。
  使用 Mahotas 加載圖像,并對像素進行操作:
 
  import numpy as np
  import mahotas
  import mahotas.demos
 
  from mahotas.thresholding import soft_threshold
  from matplotlib import pyplot as plt
  from os import path
  f = mahotas.demos.load('lena', as_grey=True)
  f = f[128:,128:]
  plt.gray()
  # Show the data:
  print(Fraction of zeros in original image: {0}.format(np.mean(f==0)))
  plt.imshow(f)
  plt.show()
 
 
  
  Mahotas
 
 
  8、Ilastik
  Ilastik 能夠給用戶提供良好的基于機器學習的生物信息圖像分析服務,利用機器學習算法,輕松地分割,分類,跟蹤和計數細胞或其他實驗數據。大多數操作都是交互式的,并不需要機器學習專業知識。
 
  9、Scikit-learn
  Scikit-learn 是針對 Python 編程語言的免費軟件機器學習庫。它具有各種分類,回歸和聚類算法,包括支持向量機,隨機森林,梯度提升,k均值和 DBSCAN 等多種機器學習算法。
  使用Scikit-learn實現KMeans算法:
 
  import time
 
  import numpy as np
  import matplotlib.pyplot as plt
 
  from sklearn.cluster import MiniBatchKMeans, KMeans
  from sklearn.metrics.pairwise import pairwise_distances_argmin
  from sklearn.datasets import make_blobs
 
  # Generate sample data
  np.random.seed(0)
 
  batch_size = 45
  centers = [[1, 1], [-1, -1], [1, -1]]
  n_clusters = len(centers)
  X, labels_true = make_blobs(n_samples=3000, centers=centers, cluster_std=0.7)
 
  # Compute clustering with Means
 
  k_means = KMeans(init='k-means++', n_clusters=3, n_init=10)
  t0 = time.time()
  k_means.fit(X)
  t_batch = time.time() - t0
 
  # Compute clustering with MiniBatchKMeans
 
  mbk = MiniBatchKMeans(init='k-means++', n_clusters=3, batch_size=batch_size,
                        n_init=10, max_no_improvement=10, verbose=0)
  t0 = time.time()
  mbk.fit(X)
  t_mini_batch = time.time() - t0
 
  # Plot result
  fig = plt.figure(figsize=(8, 3))
  fig.subplots_adjust(left=0.02, right=0.98, bottom=0.05, top=0.9)
  colors = ['#4EACC5', '#FF9C34', '#4E9A06']
 
  # We want to have the same colors for the same cluster from the
  # MiniBatchKMeans and the KMeans algorithm. Let's pair the cluster centers per
  # closest one.
  k_means_cluster_centers = k_means.cluster_centers_
  order = pairwise_distances_argmin(k_means.cluster_centers_,
                                    mbk.cluster_centers_)
  mbk_means_cluster_centers = mbk.cluster_centers_[order]
 
  k_means_labels = pairwise_distances_argmin(X, k_means_cluster_centers)
  mbk_means_labels = pairwise_distances_argmin(X, mbk_means_cluster_centers)
 
  # KMeans
  for k, col in zip(range(n_clusters), colors):
      my_members = k_means_labels == k
      cluster_center = k_means_cluster_centers[k]
      plt.plot(X[my_members, 0], X[my_members, 1], 'w',
              markerfacecolor=col, marker='.')
      plt.plot(cluster_center[0], cluster_center[1], 'o', markerfacecolor=col,
              markeredgecolor='k', markersize=6)
  plt.title('KMeans')
  plt.xticks(())
  plt.yticks(())
 
  plt.show()
 
 
  
  KMeans
 
 
  10、SciPy
  SciPy 庫提供了許多用戶友好和高效的數值計算,如數值積分、插值、優化、線性代數等。
  SciPy 庫定義了許多數學物理的特殊函數,包括橢圓函數、貝塞爾函數、伽馬函數、貝塔函數、超幾何函數、拋物線圓柱函數等等。
 
  from scipy import special
  import matplotlib.pyplot as plt
  import numpy as np
 
  def drumhead_height(n, k, distance, angle, t):
      kth_zero = special.jn_zeros(n, k)[-1]
      return np.cos(t) * np.cos(n*angle) * special.jn(n, distance*kth_zero)
 
  theta = np.r_[0:2*np.pi:50j]
  radius = np.r_[0:1:50j]
  x = np.array([r * np.cos(theta) for r in radius])
  y = np.array([r * np.sin(theta) for r in radius])
  z = np.array([drumhead_height(1, 1, r, theta, 0.5) for r in radius])
 
 
  fig = plt.figure()
  ax = fig.add_axes(rect=(0, 0.05, 0.95, 0.95), projection='3d')
  ax.plot_surface(x, y, z, rstride=1, cstride=1, cmap='RdBu_r', vmin=-0.5, vmax=0.5)
  ax.set_xlabel('X')
  ax.set_ylabel('Y')
  ax.set_xticks(np.arange(-1, 1.1, 0.5))
  ax.set_yticks(np.arange(-1, 1.1, 0.5))
  ax.set_zlabel('Z')
  plt.show()
 
 
  
  SciPy
 
 
  11、NLTK
  NLTK 是構建Python程序以處理自然語言的庫。它為50多個語料庫和詞匯資源(如 WordNet )提供了易于使用的接口,以及一套用于分類、分詞、詞干、標記、解析和語義推理的文本處理庫、工業級自然語言處理 (Natural Language Processing, NLP) 庫的包裝器。
  NLTK被稱為 “a wonderful tool for teaching, and working in, computational linguistics using Python”。
 
  import nltk
  from nltk.corpus import treebank
 
  # 首次使用需要下載
  nltk.download('punkt')
  nltk.download('averaged_perceptron_tagger')
  nltk.download('maxent_ne_chunker')
  nltk.download('words')
  nltk.download('treebank')
 
  sentence = At eight o'clock on Thursday morning Arthur didn't feel very good.
  # Tokenize
  tokens = nltk.word_tokenize(sentence)
  tagged = nltk.pos_tag(tokens)
 
  # Identify named entities
  entities = nltk.chunk.ne_chunk(tagged)
 
  # Display a parse tree
  t = treebank.parsed_sents('wsj_0001.mrg')[0]
  t.draw()
 
 
  
  NLTK
 
 
  12、spaCy
  spaCy 是一個免費的開源庫,用于 Python 中的高級 NLP。它可以用于構建處理大量文本的應用程序;也可以用來構建信息提取或自然語言理解系統,或者對文本進行預處理以進行深度學習。
 
    import spacy
 
    texts = [
        Net income was $9.4 million compared to the prior year of $2.7 million.,
        Revenue exceeded twelve billion dollars, with a loss of $1b.,
    ]
 
    nlp = spacy.load(en_core_web_sm)
    for doc in nlp.pipe(texts, disable=[tok2vec, tagger, parser, attribute_ruler, lemmatizer]):
        # Do something with the doc here
        print([(ent.text, ent.label_) for ent in doc.ents])
  nlp.pipe 生成 Doc 對象,因此我們可以對它們進行迭代并訪問命名實體預測:
 
  [('$9.4 million', 'MONEY'), ('the prior year', 'DATE'), ('$2.7 million', 'MONEY')]
  [('twelve billion dollars', 'MONEY'), ('1b', 'MONEY')]
  13、LibROSA
  librosa 是一個用于音樂和音頻分析的 Python 庫,它提供了創建音樂信息檢索系統所必需的功能和函數。
 
  # Beat tracking example
  import librosa
 
  # 1. Get the file path to an included audio example
  filename = librosa.example('nutcracker')
 
  # 2. Load the audio as a waveform `y`
  #    Store the sampling rate as `sr`
  y, sr = librosa.load(filename)
 
  # 3. Run the default beat tracker
  tempo, beat_frames = librosa.beat.beat_track(y=y, sr=sr)
  print('Estimated tempo: {:.2f} beats per minute'.format(tempo))
 
  # 4. Convert the frame indices of beat events into timestamps
  beat_times = librosa.frames_to_time(beat_frames, sr=sr)
  14、Pandas
  Pandas 是一個快速、強大、靈活且易于使用的開源數據分析和操作工具, Pandas 可以從各種文件格式比如 CSV、JSON、SQL、Microsoft Excel 導入數據,可以對各種數據進行運算操作,比如歸并、再成形、選擇,還有數據清洗和數據加工特征。Pandas 廣泛應用在學術、金融、統計學等各個數據分析領域。
 
  import matplotlib.pyplot as plt
  import pandas as pd
  import numpy as np
 
  ts = pd.Series(np.random.randn(1000), index=pd.date_range(1/1/2000, periods=1000))
  ts = ts.cumsum()
 
  df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list(ABCD))
  df = df.cumsum()
  df.plot()
  plt.show()
 
 
  
  Pandas
 
 
  15、Matplotlib
  Matplotlib 是Python的繪圖庫,它提供了一整套和 matlab 相似的命令 API,可以生成出版質量級別的精美圖形,Matplotlib 使繪圖變得非常簡單,在易用性和性能間取得了優異的平衡。
  使用 Matplotlib 繪制多曲線圖:
 
  # plot_multi_curve.py
  import numpy as np
  import matplotlib.pyplot as plt
  x = np.linspace(0.1, 2 * np.pi, 100)
  y_1 = x
  y_2 = np.square(x)
  y_3 = np.log(x)
  y_4 = np.sin(x)
  plt.plot(x,y_1)
  plt.plot(x,y_2)
  plt.plot(x,y_3)
  plt.plot(x,y_4)
  plt.show()
 
 
  
  Matplotlib
 
 
  16、Seaborn
  Seaborn 是在 Matplotlib 的基礎上進行了更高級的API封裝的Python數據可視化庫,從而使得作圖更加容易,應該把 Seaborn 視為 Matplotlib 的補充,而不是替代物。
 
  import seaborn as sns
  import matplotlib.pyplot as plt
  sns.set_theme(style=ticks)
 
  df = sns.load_dataset(penguins)
  sns.pairplot(df, hue=species)
  plt.show()
 
 
  
  seaborn
 
 
  17、Orange
  Orange 是一個開源的數據挖掘和機器學習軟件,提供了一系列的數據探索、可視化、預處理以及建模組件。Orange 擁有漂亮直觀的交互式用戶界面,非常適合新手進行探索性數據分析和可視化展示;同時高級用戶也可以將其作為 Python 的一個編程模塊進行數據操作和組件開發。
  使用 pip 即可安裝 Orange,好評~
 
  $ pip install orange3
  安裝完成后,在命令行輸入 orange-canvas 命令即可啟動 Orange 圖形界面:
 
  $ orange-canvas
  啟動完成后,即可看到 Orange 圖形界面,進行各種操作。
 
  
  Orange
 
 
  18、PyBrain
  PyBrain 是 Python 的模塊化機器學習庫。它的目標是為機器學習任務和各種預定義的環境提供靈活、易于使用且強大的算法來測試和比較算法。PyBrain 是 Python-Based Reinforcement Learning, Artificial Intelligence and Neural Network Library 的縮寫。
  我們將利用一個簡單的例子來展示 PyBrain 的用法,構建一個多層感知器 (Multi Layer Perceptron, MLP)。
  首先,我們創建一個新的前饋網絡對象:
 
  from pybrain.structure import FeedForwardNetwork
  n = FeedForwardNetwork()
  接下來,構建輸入、隱藏和輸出層:
 
  from pybrain.structure import LinearLayer, SigmoidLayer
 
  inLayer = LinearLayer(2)
  hiddenLayer = SigmoidLayer(3)
  outLayer = LinearLayer(1)
  為了使用所構建的層,必須將它們添加到網絡中:
 
  n.addInputModule(inLayer)
  n.addModule(hiddenLayer)
  n.addOutputModule(outLayer)
  可以添加多個輸入和輸出模塊。為了向前計算和反向誤差傳播,網絡必須知道哪些層是輸入、哪些層是輸出。
  這就需要明確確定它們應該如何連接。為此,我們使用最常見的連接類型,全連接層,由 FullConnection 類實現:
 
  from pybrain.structure import FullConnection
  in_to_hidden = FullConnection(inLayer, hiddenLayer)
  hidden_to_out = FullConnection(hiddenLayer, outLayer)
  與層一樣,我們必須明確地將它們添加到網絡中:
 
  n.addConnection(in_to_hidden)
  n.addConnection(hidden_to_out)
  所有元素現在都已準備就位,最后,我們需要調用.sortModules()方法使MLP可用:
 
  n.sortModules()
  這個調用會執行一些內部初始化,這在使用網絡之前是必要的。
 
  19、Milk
  MILK(MACHINE LEARNING TOOLKIT) 是 Python 語言的機器學習工具包。它主要是包含許多分類器比如 SVMS、K-NN、隨機森林以及決策樹中使用監督分類法,它還可執行特征選擇,可以形成不同的例如無監督學習、密切關系傳播和由 MILK 支持的 K-means 聚類等分類系統。
  使用 MILK 訓練一個分類器:
 
  import numpy as np
  import milk
  features = np.random.rand(100,10)
  labels = np.zeros(100)
  features[50:] += .5
  labels[50:] = 1
  learner = milk.defaultclassifier()
  model = learner.train(features, labels)
 
  # Now you can use the model on new examples:
  example = np.random.rand(10)
  print(model.apply(example))
  example2 = np.random.rand(10)
  example2 += .5
  print(model.apply(example2))
  20、TensorFlow
  TensorFlow 是一個端到端開源機器學習平臺。它擁有一個全面而靈活的生態系統,一般可以將其分為 TensorFlow1.x 和 TensorFlow2.x,TensorFlow1.x 與 TensorFlow2.x 的主要區別在于 TF1.x 使用靜態圖而 TF2.x 使用Eager Mode動態圖。
  這里主要使用TensorFlow2.x作為示例,展示在 TensorFlow2.x 中構建卷積神經網絡 (Convolutional Neural Network, CNN)。
 
  import tensorflow as tf
 
  from tensorflow.keras import datasets, layers, models
 
  # 數據加載
  (train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()
 
  # 數據預處理
  train_images, test_images = train_images / 255.0, test_images / 255.0
 
  # 模型構建
  model = models.Sequential()
  model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
  model.add(layers.MaxPooling2D((2, 2)))
  model.add(layers.Conv2D(64, (3, 3), activation='relu'))
  model.add(layers.MaxPooling2D((2, 2)))
  model.add(layers.Conv2D(64, (3, 3), activation='relu'))
  model.add(layers.Flatten())
  model.add(layers.Dense(64, activation='relu'))
  model.add(layers.Dense(10))
 
  # 模型編譯與訓練
  model.compile(optimizer='adam',
                loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                metrics=['accuracy'])
  history = model.fit(train_images, train_labels, epochs=10, 
                      validation_data=(test_images, test_labels))
  21、PyTorch
  PyTorch 的前身是 Torch,其底層和 Torch 框架一樣,但是使用 Python 重新寫了很多內容,不僅更加靈活,支持動態圖,而且提供了 Python 接口。
 
  # 導入庫
  import torch
  from torch import nn
  from torch.utils.data import DataLoader
  from torchvision import datasets
  from torchvision.transforms import ToTensor, Lambda, Compose
  import matplotlib.pyplot as plt
 
  # 模型構建
  device = cuda if torch.cuda.is_available() else cpu
  print(Using {} device.format(device))
 
  # Define model
  class NeuralNetwork(nn.Module):
      def __init__(self):
          super(NeuralNetwork, self).__init__()
          self.flatten = nn.Flatten()
          self.linear_relu_stack = nn.Sequential(
              nn.Linear(28*28, 512),
              nn.ReLU(),
              nn.Linear(512, 512),
              nn.ReLU(),
              nn.Linear(512, 10),
              nn.ReLU()
          )
 
      def forward(self, x):
          x = self.flatten(x)
          logits = self.linear_relu_stack(x)
          return logits
 
  model = NeuralNetwork().to(device)
 
  # 損失函數和優化器
  loss_fn = nn.CrossEntropyLoss()
  optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)
 
  # 模型訓練
  def train(dataloader, model, loss_fn, optimizer):
      size = len(dataloader.dataset)
      for batch, (X, y) in enumerate(dataloader):
          X, y = X.to(device), y.to(device)
 
          # Compute prediction error
          pred = model(X)
          loss = loss_fn(pred, y)
 
          # Backpropagation
          optimizer.zero_grad()
          loss.backward()
          optimizer.step()
 
          if batch % 100 == 0:
              loss, current = loss.item(), batch * len(X)
              print(floss: {loss:>7f}  [{current:>5d}/{size:>5d}])
  22、Theano
  Theano 是一個 Python 庫,它允許定義、優化和有效地計算涉及多維數組的數學表達式,建在 NumPy 之上。
  在 Theano 中實現計算雅可比矩陣:
 
  import theano
  import theano.tensor as T
  x = T.dvector('x')
  y = x ** 2
  J, updates = theano.scan(lambda i, y,x : T.grad(y[i], x), sequences=T.arange(y.shape[0]), non_sequences=[y,x])
  f = theano.function([x], J, updates=updates)
  f([4, 4])
  23、Keras
  Keras 是一個用 Python 編寫的高級神經網絡 API,它能夠以 TensorFlow, CNTK, 或者 Theano 作為后端運行。Keras 的開發重點是支持快速的實驗,能夠以最小的時延把想法轉換為實驗結果。
 
  from keras.models import Sequential
  from keras.layers import Dense
 
  # 模型構建
  model = Sequential()
  model.add(Dense(units=64, activation='relu', input_dim=100))
  model.add(Dense(units=10, activation='softmax'))
 
  # 模型編譯與訓練
  model.compile(loss='categorical_crossentropy',
                optimizer='sgd',
                metrics=['accuracy'])
  model.fit(x_train, y_train, epochs=5, batch_size=32)         
  24、Caffe
  在 Caffe2 官方網站上,這樣說道:Caffe2 現在是 PyTorch 的一部分。雖然這些 api 將繼續工作,但鼓勵使用 PyTorch api。
 
  25、MXNet
  MXNet 是一款設計為效率和靈活性的深度學習框架。它允許混合符號編程和命令式編程,從而最大限度提高效率和生產力。
  使用 MXNet 構建手寫數字識別模型:
 
  import mxnet as mx
  from mxnet import gluon
  from mxnet.gluon import nn
  from mxnet import autograd as ag
  import mxnet.ndarray as F
 
  # 數據加載
  mnist = mx.test_utils.get_mnist()
  batch_size = 100
  train_data = mx.io.NDArrayIter(mnist['train_data'], mnist['train_label'], batch_size, shuffle=True)
  val_data = mx.io.NDArrayIter(mnist['test_data'], mnist['test_label'], batch_size)
 
  # CNN模型
  class Net(gluon.Block):
      def __init__(self, **kwargs):
          super(Net, self).__init__(**kwargs)
          self.conv1 = nn.Conv2D(20, kernel_size=(5,5))
          self.pool1 = nn.MaxPool2D(pool_size=(2,2), strides = (2,2))
          self.conv2 = nn.Conv2D(50, kernel_size=(5,5))
          self.pool2 = nn.MaxPool2D(pool_size=(2,2), strides = (2,2))
          self.fc1 = nn.Dense(500)
          self.fc2 = nn.Dense(10)
 
      def forward(self, x):
          x = self.pool1(F.tanh(self.conv1(x)))
          x = self.pool2(F.tanh(self.conv2(x)))
          # 0 means copy over size from corresponding dimension.
          # -1 means infer size from the rest of dimensions.
          x = x.reshape((0, -1))
          x = F.tanh(self.fc1(x))
          x = F.tanh(self.fc2(x))
          return x
  net = Net()
  # 初始化與優化器定義
  # set the context on GPU is available otherwise CPU
  ctx = [mx.gpu() if mx.test_utils.list_gpus() else mx.cpu()]
  net.initialize(mx.init.Xavier(magnitude=2.24), ctx=ctx)
  trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': 0.03})
 
  # 模型訓練
  # Use Accuracy as the evaluation metric.
  metric = mx.metric.Accuracy()
  softmax_cross_entropy_loss = gluon.loss.SoftmaxCrossEntropyLoss()
 
  for i in range(epoch):
      # Reset the train data iterator.
      train_data.reset()
      for batch in train_data:
          data = gluon.utils.split_and_load(batch.data[0], ctx_list=ctx, batch_axis=0)
          label = gluon.utils.split_and_load(batch.label[0], ctx_list=ctx, batch_axis=0)
          outputs = []
          # Inside training scope
          with ag.record():
              for x, y in zip(data, label):
                  z = net(x)
                  # Computes softmax cross entropy loss.
                  loss = softmax_cross_entropy_loss(z, y)
                  # Backpropogate the error for one iteration.
                  loss.backward()
                  outputs.append(z)
          metric.update(label, outputs)
          trainer.step(batch.data[0].shape[0])
      # Gets the evaluation result.
      name, acc = metric.get()
      # Reset evaluation result to initial state.
      metric.reset()
      print('training acc at epoch %d: %s=%f'%(i, name, acc))
  26、PaddlePaddle
  飛槳 (PaddlePaddle) 以百度多年的深度學習技術研究和業務應用為基礎,集深度學習核心訓練和推理框架、基礎模型庫、端到端開發套件、豐富的工具組件于一體。是中國首個自主研發、功能完備、開源開放的產業級深度學習平臺。
  使用 PaddlePaddle 實現 LeNtet5:
 
  # 導入需要的包
  import paddle
  import numpy as np
  from paddle.nn import Conv2D, MaxPool2D, Linear
 
  ## 組網
  import paddle.nn.functional as F
 
  # 定義 LeNet 網絡結構
  class LeNet(paddle.nn.Layer):
      def __init__(self, num_classes=1):
          super(LeNet, self).__init__()
          # 創建卷積和池化層
          # 創建第1個卷積層
          self.conv1 = Conv2D(in_channels=1, out_channels=6, kernel_size=5)
          self.max_pool1 = MaxPool2D(kernel_size=2, stride=2)
          # 尺寸的邏輯:池化層未改變通道數;當前通道數為6
          # 創建第2個卷積層
          self.conv2 = Conv2D(in_channels=6, out_channels=16, kernel_size=5)
          self.max_pool2 = MaxPool2D(kernel_size=2, stride=2)
          # 創建第3個卷積層
          self.conv3 = Conv2D(in_channels=16, out_channels=120, kernel_size=4)
          # 尺寸的邏輯:輸入層將數據拉平[B,C,H,W] -> [B,C*H*W]
          # 輸入size是[28,28],經過三次卷積和兩次池化之后,C*H*W等于120
          self.fc1 = Linear(in_features=120, out_features=64)
          # 創建全連接層,第一個全連接層的輸出神經元個數為64, 第二個全連接層輸出神經元個數為分類標簽的類別數
          self.fc2 = Linear(in_features=64, out_features=num_classes)
      # 網絡的前向計算過程
      def forward(self, x):
          x = self.conv1(x)
          # 每個卷積層使用Sigmoid激活函數,后面跟著一個2x2的池化
          x = F.sigmoid(x)
          x = self.max_pool1(x)
          x = F.sigmoid(x)
          x = self.conv2(x)
          x = self.max_pool2(x)
          x = self.conv3(x)
          # 尺寸的邏輯:輸入層將數據拉平[B,C,H,W] -> [B,C*H*W]
          x = paddle.reshape(x, [x.shape[0], -1])
          x = self.fc1(x)
          x = F.sigmoid(x)
          x = self.fc2(x)
          return x
  27、CNTK
  CNTK(Cognitive Toolkit) 是一個深度學習工具包,通過有向圖將神經網絡描述為一系列計算步驟。在這個有向圖中,葉節點表示輸入值或網絡參數,而其他節點表示對其輸入的矩陣運算。CNTK 可以輕松地實現和組合流行的模型類型,如 CNN 等。
  CNTK 用網絡描述語言 (network description language, NDL) 描述一個神經網絡。簡單的說,要描述輸入的 feature,輸入的 label,一些參數,參數和輸入之間的計算關系,以及目標節點是什么。
 
  NDLNetworkBuilder=[
      
      run=ndlLR
      
      ndlLR=[
        # sample and label dimensions
        SDim=$dimension$
        LDim=1
      
        features=Input(SDim, 1)
        labels=Input(LDim, 1)
      
        # parameters to learn
        B0 = Parameter(4) 
        W0 = Parameter(4, SDim)
        
        
        B = Parameter(LDim)
        W = Parameter(LDim, 4)
      
        # operations
        t0 = Times(W0, features)
        z0 = Plus(t0, B0)
        s0 = Sigmoid(z0)   
        
        t = Times(W, s0)
        z = Plus(t, B)
        s = Sigmoid(z)    
      
        LR = Logistic(labels, s)
        EP = SquareError(labels, s)
      
        # root nodes
        FeatureNodes=(features)
        LabelNodes=(labels)
        CriteriaNodes=(LR)
        EvalNodes=(EP)
        OutputNodes=(s,t,z,s0,W0)
      ]   
 
主站蜘蛛池模板: 日本极品少妇xxxx | 国产农村妇女毛片精品久久 | 日韩一区二区在线播放 | 亚洲午夜网 | 亚洲va在线∨a天堂va欧美va | 欧美精品99久久久 | 依人在线观看 | 91狠狠干 | 少妇边打电话边呻吟在线91 | n0659极腔濑亚美莉在线播放播放 | 麻豆一区二区在线观看 | 丰满老女人乱妇dvd在线播放 | 国产成人麻豆精品午夜福利在线 | 亚洲制服丝袜一区二区三区 | 国产v片在线播放 | 亚洲一区二区三区av无码 | 欧美五月 | 午夜精品久久久久久久 | 日韩视频免费 | av资源共享| 无码人妻丰满熟妇a片护士 日本欧美大码a在线观看 | 在线黄av | 国产老头和老太xxxxx视频 | 性做久久久久久免费观看欧美 | 国产女人在线视频 | 久久久亚洲综合 | 国产精品激情av久久久青桔 | 久久久com| 亚洲女同疯狂舌吻唾液口水美女 | 久草视频资源 | 少妇高潮毛片色欲ava片 | 国产99精品 | 免费亚洲一区 | 亚洲 欧美 影音先锋 | 草草影院av | 久久精品国产清高在天天线 | 欧美极品在线播放 | 精品少妇一区二区视频在线观看 | 久久婷婷成人综合色综合 | 一区二区观看 | 久久www人成免费产片 | 蜜桃av噜噜一区二区三区 | 美国三级毛片 | 国产成人无码久久久精品一 | 久久综合九色综合网站 | 天堂av影院| 欧美老熟妇乱xxxxx | 国产又黄又爽 | 自拍偷窥第一页 | 波多野结衣在线播放 | 欧美日韩综合一区 | av在线天堂网 | 麻豆精品一区二区综合av | 大陆性猛交xxxx乱大交 | 欧美久久网| 91精品久久久久久久99蜜桃 | 欧美va视频| 在线观看黄色大片 | 美女mm131爽爽爽免费动视频 | 免费黄色看片网站 | 亚洲第一网站 | 99视频在线精品免费观看2 | 久久精品视频5 | 欧美日韩资源 | 亚洲国产成人欧美激情 | 依人综合 | 性――交――性――乱 | 极品妇女扒开粉嫩小泬 | 亚洲欧美日韩系列 | 夜夜嗨一区二区 | 狠狠干很很操 | 人间水蜜桃av五月色 | 国产草草影院ccyycom | 亚洲天堂网在线播放 | 亚洲人成人网 | 亚欧无线一线二线三线区别 | 大波大乳videos巨大 | 98国产精品午夜免费福利视频 | 麻豆一区二区99久久久久 | 国产精品videos | 国产农村妇女露脸对白视频 | 手机在线播放av | 九九小视频| 精品久久久久久一区二区里番 | 97色碰碰公开视频 | 青青草日韩 | 日本色站 | 成年人看的网站 | 亚洲经典千人经典日产 | 中文字幕高潮 | av在线不卡免费 | 91在线视频播放 | 俄罗斯av片 | 国产呻吟av| 中文字幕一区二区三区中文字幕 | 日韩精品一区二区三区免费视频 | 波多一区二区 | 国产毛片毛片毛片毛片毛片 | 亚洲一区二区综合 | 久久99国产综合精品免费 | 亚洲欧美日韩中文字幕一区二区三区 | 欧美在线视频免费播放 | avav国产| 亚洲精品欧美一区二区三区 | 亚洲欧美一级 | 97视频免费看 | 欧美xxxx性xxxxx高清 | 狠狠五月激情六月丁香 | 日本中文字幕乱码免费 | 久久久啊啊啊 | 欧美大片www| 日本69熟| 国产超碰人人做人人爱 | 国产第一页在线观看 | 快播在线视频 | 国产精品久久久久久妇女6080 | 亚洲日韩精品无码专区加勒比 | 丰满圆润老女人hd | 中文字幕一区二区三区手机版 | 中文在线字幕免费观 | 超碰免费人人 | 欧美一级做a爰片免费视频 欧美一级做性受免费大片免费 | 国产亚洲精品久久久久久久 | 国产精品黄 | 日韩美女中文字幕 | a级特黄的片子 | 强行18分钟处破痛哭av | 国产黄色大全 | 鲁鲁狠狠狠7777一区二区 | 国产精国产精品 | 国产视频二区 | 亚洲精品伦理 | 国产精品日韩欧美 | 亚洲欧美视频 | 奇米精品视频一区二区三区 | 蜜臀一区二区三区精品免费视频 | 五月天一区二区三区 | 中文字幕久久熟女蜜桃 | 国产性猛交普通话对白 | 超碰人人超碰 | 免费毛片无需任何播放器 | 91快射| 日韩久久久久久久久久 | 色综合久久久 | 日韩视频一 | 天天爱天天舔 | 欧美一级片播放 | 狠狠躁18三区二区一区张津瑜 | 国产a在亚洲线播放 | 91福利视频网站 | 成人黄色动漫在线观看 | 精品亚洲国产成av人片传媒 | 青青草视频国产 | 国产极品美女高潮无套浪潮av | 一本久久a久久精品综合 | 中文字幕亚洲情99在线 | 午夜成午夜成年片在线观看 | 欧美色图一区二区三区 | www国产成人免费观看视频,深夜成人网 | 成人影片一区免费观看 | 日韩欧美中文字幕在线三区 | 伦人伦xxx国语对白 伦为伦xxxx国语对白 | 欧美做爰猛烈床戏大尺度 | 久久人妻少妇嫩草av无码专区 | 日韩av免费在线观看 | 日韩在线欧美 | 欧美成人hd | 韩欧美精品 | 日本三级理论久久人妻电影 | 亚洲 中文 欧美 日韩 在线 | 四虎国产精品成人免费影视 | 手机成人免费视频 | 成人免费毛片xxx | 国产成人精品久久亚洲高清不卡 | 另类专区成人 | 久久国产激情视频 | 7色av| 日韩精品乱码久久久久久 | 性欧美xxx内谢 | 巨肉高h文从头做到尾肉短文 | 成人午夜视频在线播放 | 日本精品不卡 | 乐播av一区二区三区 | 18videosex性欧美麻豆 | 久久亚洲精品中文字幕无男同 | 美女又黄又免费 | 免费高清欧美大片在线观看 | 日韩免费一区 | 日韩精品色哟哟 | 亚洲第三色 | 国产高清不卡无码视频 | 亚洲欧美人成电影在线观看 | 欧美精品久 | 欧美成人看片黄a免费看 | www激情五月com | 日韩精品91偷拍在线观看 | 波多野结衣激情视频 | 亚洲s码欧洲m码国产av | 中文字幕第35页 | 国产午夜精品一区理论片飘花 | 一区二区亚洲精品国产精华液 | 天干天干天啪啪夜爽爽av | 三级毛片子 | 久久精品三级视频 | 女女互揉吃奶揉到高潮视频 | 九色porny丨入口在线 | 国产成人福利av综合导航 | 麻豆av剧情 | 国产一区二区三区av在线无码观看 | 国产视频在线观看一区二区 | 强行挺进皇后紧窄湿润小说 | 夜夜撸网站 | 午夜探花视频 | 激情国产一区二区三区四区小说 | 透视性魅力 | 亚日韩一区 | 一本一道dvd在线观看免费视频 | 黑人大荫蒂高潮视频 | 天天爱综合 | 国产精品无码久久久久成人影院 | 91黄色毛片 | 国产精品1区2区3区4区 | 亚洲综合精品一区二区三区 | 一区二区三区四区五区在线视频 | 亚洲精品乱码久久久久久按摩 | 噜啦噜色姑娘综合 | 女人喂男人奶水做爰视频 | 欧美人与动牲交a欧美精品 98久9在线 | 免费 | 免费在线观看的黄色网址 | 亚洲成a人片在线观看天堂无码 | 国产suv精品一区二区五 | 91视频一区二区三区 | 10000部拍拍拍免费视频 | 国产乱码一区 | 中文字幕一区二区人妻性色 | 色狠狠av一区二区三区 | 日日橹狠狠爱欧美视频 | 黄色免费一级视频 | 国产一级淫片免费放大片 | 免费特级毛片 | 亚洲国产精品久久久久久久久久 | 欧美激情一区 | 国产伦精品一区二区三区免 | 瘾攵女强h文1v1 | 国产真实交换夫妇视频 | 亚洲精品第一区二区三区 | 奇米综合四色77777久久 | av高清在线观看 | 色综合久久久久久久久五月 | 欧洲av在线免费观看 | 亚洲激情国产 | 淫片特黄特黄特黄 | 99国产热| 亚洲va欧美va人人爽午夜 | 亚洲国产成人久久精品大牛影视 | 亚洲成人手机在线 | 欧美日韩网址 | 午夜成人亚洲理伦片在线观看 | 九九九网站 | 中文字幕一区二区三区乱码图片 | 国产精品xxx大片免费观看 | 国产又粗又猛又爽视频 | 日韩精品av一区二区三区 | 免费性爱视频 | 成人免费毛片高清视频 | 天天干天天爽天天射 | 96久久欧美麻豆网站 | 国产婷婷一区二区三区 | 成人动漫在线观看免费 | 国模无码视频一区 | 日本精品久久久久中文字幕乱中年 | 成人动态视频 | 天天射天天干 | 久久久久国产精品嫩草影院 | 777天堂麻豆爱综合视频 | 校园春色亚洲激情 | 日日摸夜夜添夜夜添毛片av | 色激情综合 | 亚洲精品一区二区三区高潮 | 国产精品国产精品国产专区不片 | av网站有哪些 | 国严产品自偷自偷在线观看 | 久久精品a| 九色在线播放 | 久久九九国产视频 | 精品视频一区二区在线 | 人人狠狠综合久久亚洲婷婷 | 性,国产三级在线观看 | 警花系列乱肉辣文小说 | 伊人久久五月 | 99成人在线视频 | 国产在线高潮 | 欧美国产一二三区 | 午夜爽爽久久久毛片 | 亚洲熟悉妇女xxx妇女av | 男女全黄做爰视频 | 久久3p| 色欲av永久无码精品无码 | 青青操精品 | 欧美色图1 | 性欧美video另类hdbbw | 国产无套粉嫩白浆内谢在a 国产无套粉嫩白浆内谢在线 | 男人天堂va | 久久色播| 精品国精品自拍自在线 | 日本天天黄网站 | 久久婷婷成人综合色 | 日本丰满熟妇bbxbbxhd | 极品美妇后花庭翘臀娇吟小说 | 99精品国产99久久久久久97 | 日本一级大片 | 久久国内精品 | 日本一区二区三区视频在线播放 | 国产乱子伦在线观看 | 在线成人免费观看 | 精产国品一二三产区区别在线观看 | 黄色片视频免费看 | 国产一区二区伦理 | 99无码熟妇丰满人妻啪啪 | 99久久综合狠狠综合久久止 | 欧美日韩免费做爰大片人 | 四虎影视18库在线影院 | 天天综合国产 | 13女裸体慰在线观看 | 亚洲视频一区二区三区四区 | 国色天香乱码区 | 国产麻豆一区 | 校园激情亚洲 | av片在线免费 | 91国偷自产一区二区三区女王 | 全国最大成人免费视频 | 亚洲一区二区三区无码国产 | 自拍毛片 | 色哟哟国产精品色哟哟 | 日韩综合在线视频 | 亚洲综合图片网 | 波多野结衣操 | 91.xxx.视频| 成人片黄网站色大片免费 | 亚洲乱码中文字幕 | 日韩精品久久久肉伦网站 | 欧美交换配乱吟粗大25p | 午夜黄色福利 | 日韩中文字幕高清 | 国产一级片av | 成人欧美一区二区三区1314 | 国产视频你懂得 | 性仑少妇av啪啪a毛片 | 成人网免费视频 | 久久天堂影院 | 好吊色欧美一区二区三区视频 | 日本一区二区三区在线观看 | 色婷婷久久久亚洲一区二区三区 | 成人免费视频软件网站 | 麻豆黄色网 | 成人免费看片又大又黄 | 在线成人免费视频 | 欧洲成人午夜精品无码区久久 | 免费在线观看av的网站 | 调教性瘾双性高清冷美人 | 日韩在线播放一区二区 | 性高朝久久久久久久 | 亚洲日本黄色 | 国产91清纯白嫩初高中在线观看 | 日本肉体做爰猛烈高潮全免费 | 免费在线小视频 | 日韩在线不卡免费视频一区 | 粗暴video蹂躏hd | 久久久精品波多野结衣av | 引诱漂亮新婚少妇 | 5566亚洲精华国产精华精华液 | 天堂中文最新版在线官网在线 | 插插插网站 | 国产精品九色 | 狼性av| 近亲伦l中文字幕 | 国产午夜三级一二三区 | 一个添下面两个吃奶把腿扒开 | 中文精品视频 | 缅甸午夜性猛交xxxx | 国产精品久久久久久久久电影网 | 国产v亚洲v天堂a无码 | 日批视频免费播放 | 国产乱码精品一区二区三区中文 | 又爽又黄又无遮挡网站 | 久久精品视频免费看 | 一级真人免费毛片 | 北条麻妃在线一区二区 | 欧美xxxxx自由摘花 | 亚洲一区综合 | 日韩三级中文字幕 | 中文字幕国产一区 | 78色淫网站女女免费 | 97人人模人人爽人人喊电影 | 成人涩涩视频 | 性欧美videos高清hd4k | 你懂的网址国产欧美 | 国产黄三级看三级 | 成人拍拍视频 | 中文字幕无产乱码 | youjizzcom国产 | 国产精品日日躁夜夜躁欧美 | 日韩精品99久久久久久 | 黄色www | 欧美牲交40_50a欧美牲交aⅴ | 377久久日韩精品免费 | 在线观看免费成人 | 性久久久久久久久久 | 波多野结衣乳喷高潮视频 | 在线成人www免费观看视频 | 97无码免费人妻超级碰碰夜夜 | 成熟丰满中国女人少妇 | 超碰在线人人 | 色偷偷免费视频 | 毛片一区二区三区 | 亚洲一区二区三区播放 | 欧美人与zoxxxx另类 | 九九久久综合 | 变态美女紧缚一区二区三区 | 国产欧美va欧美va香蕉在线 | 欧亚一级片| 天堂无码人妻精品一区二区三区 | 色狠狠一区二区三区香蕉 | 亚洲午夜色 | 久久久精品午夜免费不卡 | 天堂8在线新版官网 | 国产精品视频永久免费播放 | 亚洲福利精品 | 国产免费又硬又黄又爽的视频喷水 | 国产精品乱子伦免费视频 | 91久久精品一区二区 | 欧美精品一区在线 | 激情文学欧美 | 色偷偷狠狠色综合网 | 六姐妹在线观看免费 | 亚洲国产精品久久久久制服 | 国产做爰全免费的视频黑人 | 免费毛片观看 | 免费在线观看污网站 | 爱情岛免费永久网站 | 免费无码又爽又高潮视频 | 久久99精品久久久大学生 | 91成人网页 | 啄木系列成人av在线播放 | www7788久久久久久久久 | 勾搭情趣店女老板av | 五月天婷婷影院 | 欧美精品黄 | 亚洲免费在线观看视频 | 九色国产精品视频 | 久草成人在线 | 最近中文字幕免费mv在线 | 91av视频网站| 哪个网站可以看毛片 | 欧美激情精品久久久久久蜜臀 | 色偷偷一区二区三区 | 国产对白叫床清晰在线播放 | 99久久国产综合精品女不卡 | 亚洲激情片 | 性欧美视频videos6一9 | www.麻豆av| 久久精品亚洲精品国产色婷 | 最新国产黄色网址 | 午夜精品一区二区国产 | 无码国产成人午夜电影在线观看 | 91网站免费视频 | 国产精品毛片久久久久久久 | 韩日午夜在线资源一区二区 | 亚洲精品乱码久久久久久蜜桃不爽 | 日韩精品激情 | 我要看免费毛片 | 影音先锋中文字幕在线视频 | 国产高潮流白浆喷水视频 | 亚洲一区二区三区国产 | 91视频精选| 男女猛烈激情xx00免费视频 | 亚洲 自拍 另类 欧美 丝袜 | 伊人久久大香线蕉av超碰演员 | 天堂va在线 | 成人在线手机版视频 | 欧美人与禽zozzo视频 | 日产一区三区三区高中清 | 思热99re视热频这里只精品 | 国产第1页 | 日本护士╳╳╳hd少妇 | 欧美三级黄色大片 | 国产日产精品久久久久快鸭 | 国产又大又长又粗 | 爱爱网站免费 | 一线天 粉嫩 在线播放 | 丁香婷婷视频 | 精品久久久无码中文字幕天天 | 国产欧美三区 | 精品少妇一区二区三区免费观看 | 欧美18精品久久久无码午夜福利 | 久久精品2| 久久av无码精品人妻系列 | 奶波霸巨乳一二三区乳 | 国产激情久久久久久熟女老人av | 国产尤物网站 | 色吧综合| 在线婷婷 | 在线精品视频一区二区三区 | 国产精品51麻豆cm传媒 | 国产在线观看www污污污 | 麻豆视频在线观看免费网站黄 | 欧美videos另类精品 | 手机国产乱子伦精品视频 | 天天爽夜夜爽人人爽 | 中文字幕精品一区二区三区在线 | 你懂的网址国产,欧美 | 久久国产自偷自偷免费一区调 | 日本不卡视频一区二区三区 | 成年人黄色大片大全 | 在线视频亚洲色图 | 催眠调教邻居美人若妻在线播放 | 男人边吃奶边做好爽免费视频 | 久久久97 | 五月婷婷激情网 | 日日躁你夜夜躁你av蜜 | 91成人在线观看喷潮蘑菇 | 免费大香伊蕉在人线国产 | 亚洲精品乱码久久久久久不卡 | av大帝在线| 亚洲精品乱码久久久久久9色 | 国产新婚露脸88av | 中文免费av | 国产强伦人妻毛片 | 日本高清二区 | 在线中文字幕网站 | 侵犯亲女在线播放视频 | 亚洲人成图片小说网站 | 色偷偷亚洲男人本色 | 精品国产一区二区三区久久久蜜臀 | 97久久久久 | 丁香婷婷色 | 国产人妻777人伦精品hd | 午夜婷婷在线观看 | 91重口变态 | 最新91在线 | 北条麻妃在线一区二区 | 国产1234区2023 | 亚洲精选在线 | 成人在线观看av | 24小时日本韩国在线观看 | 免费看毛片的网站 | 国产自啪精品视频网站丝袜 | 永久免费在线观看视频 | 麻豆国产人妻欲求不满 | 久久久精品免费 | 久久精品丝袜高跟鞋 | 中国农村少妇xxxx视频 | av影片在线观看 | 狠狠色噜噜狠狠狠狠米奇7777 | 先锋影音播放不卡资源 | 蜜臀av午夜一区二区三区 | 亚洲国产婷婷香蕉久久久久久99 | 国产一区二区亚洲精品 | 亚洲视频精品在线 | 日韩精品成人av | 中国china体内裑精亚洲日本 | 裸体一区二区三区 | av大全在线观看 | 日韩影视一区二区三区 | 最新中文字幕一区 | 中文字幕在线人 | 国产精品18久久久久vr使用方法 | 日本大尺度吃奶做爰久久久绯色 | 美女自卫慰免费视频www免费 | 国产盗摄一区二区三区 | 欧美第一页在线观看 | 午夜视频在线观看一区二区 | 午夜爽爽爽爽技女8888 | 美女黄免费| 一级免费观看视频 | 精品国产一区二区三区久久久 | 精品美女在线观看 | 色婷视频| 久久影片 | 天天干天天色天天射 | 人人爽人人爽少妇免费 | 亚洲成av人片天堂网无码】 | 日日舔夜夜摸 | 欧美怡红院视频一区二区三区 | av大片在线 | 欧美乱妇狂野欧美视频 | 日本免费三片在线播放 | 久久精品日日躁夜夜躁 | 国产精品成人一区二区艾草 | 欧美一区二区三区黄色 | 性8电台性8成人电台 | 99精品视频免费热播在线观看 | 人妻尝试又大又粗久久 | 成人免费看视频 | av在线网站观看 | 欧美日本黄色 | 九九99九九精彩3 | 少妇艹逼 | 99久热re在线精品99 6热视频 | 国产亚洲精品久久久久久国模美 | 国产免费大片 | 欧美一区二区网站 | 真实的国产乱xxxx在线91 | 91日日日 | 欧美麻豆久久久久久中文 | 18分钟处破好疼哭视频在线观看 | 成人欧美一区二区三区黑人 | 一本色综合网 | 无码av动漫精品一区二区免费 | 女人让男人桶爽30分钟 | 18涩涩午夜精品www | 91亚洲乱码卡一卡二卡新区豆 | 四季av中文字幕 | 六月婷婷在线观看 | 色婷婷狠狠久久综合五月 |