• <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 ?

    深度卷積神經(jīng)網(wǎng)絡(luò)的柔性剪枝策略

    2022-02-12 02:14:26陳靚錢亞冠何志強(qiáng)關(guān)曉惠王濱王星
    電信科學(xué) 2022年1期
    關(guān)鍵詞:剪枝集上柔性

    陳靚,錢亞冠,何志強(qiáng),關(guān)曉惠,王濱,王星

    研究與開發(fā)

    深度卷積神經(jīng)網(wǎng)絡(luò)的柔性剪枝策略

    陳靚1,2,錢亞冠1,2,何志強(qiáng)1,2,關(guān)曉惠3,王濱4,王星4

    (1. 浙江科技學(xué)院理學(xué)院/大數(shù)據(jù)學(xué)院,浙江 杭州 310023;2. ??低?浙江科技學(xué)院邊緣智能安全聯(lián)合實(shí)驗(yàn)室,浙江 杭州 310023; 3. 浙江水利水電學(xué)院信息工程與藝術(shù)設(shè)計(jì)學(xué)院,浙江 杭州 310023;4. 浙江大學(xué)電氣工程學(xué)院,浙江 杭州 310063)

    盡管深度卷積神經(jīng)網(wǎng)絡(luò)在多種應(yīng)用中取得了極大的成功,但其結(jié)構(gòu)的冗余性導(dǎo)致模型過大的存儲(chǔ)容量和過高的計(jì)算代價(jià),難以部署到資源受限的邊緣設(shè)備中。網(wǎng)絡(luò)剪枝是消除網(wǎng)絡(luò)冗余的一種有效途徑,為了找到在有限資源下最佳的神經(jīng)網(wǎng)絡(luò)模型架構(gòu),提出了一種高效的柔性剪枝策略。一方面,通過計(jì)算通道貢獻(xiàn)量,兼顧通道縮放系數(shù)的分布情況;另一方面,通過對(duì)剪枝結(jié)果的合理估計(jì)及預(yù)先模擬,提高剪枝過程的效率?;赩GG16與ResNet56在CIFAR-10的實(shí)驗(yàn)結(jié)果表明,柔性剪枝策略分別降低了71.3%和54.3%的浮點(diǎn)運(yùn)算量,而準(zhǔn)確率僅分別下降0.15個(gè)百分點(diǎn)和0.20個(gè)百分點(diǎn)。

    卷積神經(jīng)網(wǎng)絡(luò);網(wǎng)絡(luò)剪枝;縮放系數(shù);通道貢獻(xiàn)量

    0 引言

    從最初的8層AlexNet[1],到上百層的ResNet[2],深度學(xué)習(xí)技術(shù)的發(fā)展得益于日益加深的網(wǎng)絡(luò)結(jié)構(gòu),但同時(shí)受其制約。一個(gè)152層的ResNet有超過6 000萬個(gè)參數(shù),在推斷分辨率為224dpi×224 dpi的圖像時(shí)需要超過200億次浮點(diǎn)運(yùn)算(floating point operation,F(xiàn)LOP)。盡管這在擁有大量高性能GPU的云平臺(tái)上不成問題,但對(duì)于移動(dòng)設(shè)備、可穿戴設(shè)備或物聯(lián)網(wǎng)設(shè)備等資源受限的平臺(tái)是無法承受的。然而,集中化的云端推理服務(wù)存在帶寬資源消耗大、圖像數(shù)據(jù)隱私泄密嚴(yán)重、時(shí)效性難以保證等問題[3]。因此,如何在邊緣端部署深度神經(jīng)網(wǎng)絡(luò)模型是解決問題的關(guān)鍵。

    為此學(xué)術(shù)界提出了很多壓縮卷積神經(jīng)網(wǎng)絡(luò)的方法,包括低秩近似[4]、網(wǎng)絡(luò)量化[5]和網(wǎng)絡(luò)剪枝等,其中剪枝技術(shù)被證實(shí)是一種有效的方法。剪枝方法按照移除的粒度大小可以被分為兩大類:權(quán)重剪枝和結(jié)構(gòu)化剪枝。權(quán)重剪枝[6]也被稱作非結(jié)構(gòu)化剪枝,可以剪除網(wǎng)絡(luò)中的任意連接權(quán)重。盡管它具有較高的剪枝率,但稀疏權(quán)重矩陣的存儲(chǔ)和關(guān)聯(lián)索引需要特定的計(jì)算環(huán)境,在實(shí)際中難以實(shí)現(xiàn)硬件加速[7-8]。結(jié)構(gòu)化剪枝[9-12]直接減小權(quán)重矩陣的大小,同時(shí)保持完整矩陣的形式,因此它可以更好地兼容硬件進(jìn)行加速,成為目前的主流研究方向。

    早期的剪枝方法[12-14]通常根據(jù)權(quán)重重要性決定哪些通道被剪除,忽略權(quán)重重要性之間相互聯(lián)系,從而容易造成過度剪枝或剪枝不足的問題,導(dǎo)致剪枝后模型性能不可復(fù)原地下降。最新的研究通常使用漸進(jìn)的迭代剪枝方法[15],或?qū)⒕W(wǎng)絡(luò)結(jié)構(gòu)搜索問題轉(zhuǎn)化為優(yōu)化問題[16],逐步逼近最佳的網(wǎng)絡(luò)架構(gòu)。然而當(dāng)這些方法應(yīng)用于大剪枝率時(shí),受到網(wǎng)絡(luò)稀疏程度的影響,在實(shí)際剪枝過程中會(huì)帶來額外的計(jì)算量。

    為了能夠更高效地剪枝得到最佳的模型結(jié)構(gòu),本文提出一種柔性剪枝策略。該方法以通道為單位剪枝,首先結(jié)合批歸一化(batch normalization,BN)層的縮放系數(shù)值及其分布情況,計(jì)算通道貢獻(xiàn)量作為衡量通道重要性的依據(jù),并初步估算每層的剪枝比例。然后通過模擬剪枝調(diào)優(yōu)剪枝策略,以此快速逼近最佳的網(wǎng)絡(luò)架構(gòu)。最后根據(jù)得到的架構(gòu)對(duì)每一層分別剪枝,獲得緊湊的模型。本文提出的剪枝方法,采用全局的結(jié)構(gòu)化剪枝方式,過程中不需要對(duì)局部手動(dòng)調(diào)參,剪枝后的模型無須特定的環(huán)境支持,是一種高效的模型壓縮方法。

    1 相關(guān)工作

    剪枝作為網(wǎng)絡(luò)壓縮的有效方法之一,通過裁剪網(wǎng)絡(luò)中不重要的權(quán)重,在不影響性能的情況下,提升網(wǎng)絡(luò)運(yùn)算速度,減少存儲(chǔ)容量。早在1989年,LECUN等[17]就指出神經(jīng)網(wǎng)絡(luò)中存在大量冗余,刪除網(wǎng)絡(luò)中不重要的權(quán)重能夠獲得更好的泛化能力,消耗更少的訓(xùn)練和推理時(shí)間。文獻(xiàn)[6]通過修剪網(wǎng)絡(luò)中的不重要連接,減少網(wǎng)絡(luò)所需要的參數(shù),減少內(nèi)存和計(jì)算消耗。盡管權(quán)重剪枝在降低網(wǎng)絡(luò)參數(shù)上有顯著的效果,但會(huì)導(dǎo)致模型的非結(jié)構(gòu)化,很難實(shí)現(xiàn)硬件加速[7-8]。

    為兼容現(xiàn)有的硬件加速,近期的剪枝工作[9-12]集中在結(jié)構(gòu)化剪枝上,通過修剪整個(gè)通道或者卷積核以保持結(jié)構(gòu)的規(guī)則性,并提出了多種重要性度量標(biāo)準(zhǔn)。文獻(xiàn)[9]使用卷積核的L1范數(shù)作為重要性度量,計(jì)算卷積核中所有權(quán)值的絕對(duì)值之和,從而規(guī)則地刪除數(shù)值較小的卷積核避免稀疏連接。文獻(xiàn)[10]通過計(jì)算激活層后神經(jīng)元中數(shù)值為0的比例衡量神經(jīng)元的重要性。文獻(xiàn)[11]根據(jù)刪除一個(gè)通道后對(duì)下一層激活值的影響衡量該通道重要性,尋找這一層輸入的最優(yōu)子集代替原來的輸入,得到盡可能相似的輸出,剪除子集外的通道。文獻(xiàn)[12]提出網(wǎng)絡(luò)瘦身(network slimming,NS)方法,用BN層的縮放系數(shù)作為通道重要性的評(píng)價(jià)標(biāo)準(zhǔn),根據(jù)全局閾值剪除縮放系數(shù)小于閾值的通道。

    NS方法[12]是一種經(jīng)典的自動(dòng)化剪枝方法[18],可以根據(jù)整體剪枝率自動(dòng)地生成剪枝后的網(wǎng)絡(luò)架構(gòu),無須人為設(shè)計(jì)每層的剪枝比例。文獻(xiàn)[19]指出,NS方法中基于預(yù)定義的全局閾值(optimal thresholding,OT)的設(shè)計(jì)忽略了不同層之間的變化和權(quán)重分布,并提出一種最優(yōu)閾值設(shè)定策略,根據(jù)不同層的權(quán)重分布設(shè)計(jì)各層的最優(yōu)閾值。文獻(xiàn)[20]同樣基于NS方法,提出了一種極化正則化器(polarization regularizer,PR),通過調(diào)整稀疏化訓(xùn)練的策略,對(duì)不同重要性的通道進(jìn)行區(qū)分。

    常規(guī)的剪枝方法是一個(gè)不可逆過程,被剪除的通道或者卷積核不參與后續(xù)訓(xùn)練過程,也被稱為“剪枝”。文獻(xiàn)[21]和文獻(xiàn)[15]提出“剪枝”法,在訓(xùn)練期間將被剪除的卷積核參數(shù)重置為零,并在后續(xù)訓(xùn)練階段持續(xù)更新,以此降低過度剪枝風(fēng)險(xiǎn)。文獻(xiàn)[22]在此基礎(chǔ)上提出ASRFP方法,漸進(jìn)地修剪卷積核,使得訓(xùn)練和剪枝過程更加穩(wěn)定。文獻(xiàn)[23]提出BN-SFP方法,根據(jù)BN層縮放系數(shù)進(jìn)行軟剪枝,實(shí)現(xiàn)性能的提升。

    最新的研究工作通過自動(dòng)搜索最優(yōu)子網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)網(wǎng)絡(luò)剪枝,文獻(xiàn)[24]預(yù)先訓(xùn)練大型PruningNet預(yù)測剪枝模型的權(quán)重,通過一種進(jìn)化搜索方法搜索性能良好的修剪網(wǎng)絡(luò)。文獻(xiàn)[25]提出了近似的Oracle過濾器剪枝,用二分搜索的方式確定每層的剪枝數(shù)。文獻(xiàn)[26]基于人工蜂群算法,搜索最優(yōu)的剪枝架構(gòu)。

    相比于以往的剪枝方法通過去除冗余或者結(jié)構(gòu)搜索的方式,漸進(jìn)地逼近目標(biāo)壓縮模型,柔性方法的優(yōu)越性體現(xiàn)在,通過分析模型的權(quán)值分布和對(duì)目標(biāo)壓縮模型的快速模擬,以少量計(jì)算成本獲得高性能的壓縮模型架構(gòu)。

    2 方法描述

    神經(jīng)網(wǎng)絡(luò)的前向傳播是一個(gè)連續(xù)過程,剪除其中一部分權(quán)重必然對(duì)后續(xù)的計(jì)算產(chǎn)生影響。原先的NS方法中基于預(yù)定義全局閾值的設(shè)計(jì)忽略了權(quán)重的關(guān)聯(lián)性。另外,網(wǎng)絡(luò)架構(gòu)的改變會(huì)對(duì)權(quán)重的分布產(chǎn)生影響,即當(dāng)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代剪枝時(shí),每輪迭代后的模型由于架構(gòu)發(fā)生改變,權(quán)重分布也會(huì)相應(yīng)發(fā)生變化。當(dāng)網(wǎng)絡(luò)架構(gòu)越接近于最佳的剪枝后架構(gòu)時(shí),權(quán)重分布也越接近。據(jù)此本文提出柔性剪枝策略,結(jié)合BN層縮放系數(shù)的分布情況,構(gòu)建一個(gè)新的通道重要性評(píng)價(jià)指標(biāo)——通道貢獻(xiàn)量。并提出一種通道等效重組方法,對(duì)剪枝后的網(wǎng)絡(luò)架構(gòu)進(jìn)行模擬,獲得接近于最佳網(wǎng)絡(luò)架構(gòu)的權(quán)重分布。

    柔性剪枝算法的流程如圖1所示,整個(gè)流程可以分為獲取架構(gòu)和獲取參數(shù)兩個(gè)部分。通過計(jì)算通道貢獻(xiàn)量、通道等效重組和適配調(diào)整縮放系數(shù)3個(gè)步驟獲取壓縮模型的架構(gòu),即剪枝后模型各層剩余的通道數(shù)。然后以此進(jìn)行硬剪枝,微調(diào)獲取壓縮模型參數(shù)。其中,通道貢獻(xiàn)量的計(jì)算包括閾值函數(shù)平滑和位序相關(guān)性加權(quán)兩步,本文將在下面詳細(xì)地闡述實(shí)施細(xì)節(jié)。需要指出的是,本文提出的柔性剪枝在模擬訓(xùn)練過程中提供了更多的網(wǎng)絡(luò)架構(gòu)調(diào)整機(jī)會(huì),有效地避免一次性剪枝帶來的過度剪枝問題。

    圖1 柔性剪枝的流程

    2.1 閾值函數(shù)平滑

    由于縮放系數(shù)局限于反映單個(gè)通道的重要性,因此在縮放系數(shù)的基礎(chǔ)上提出通道貢獻(xiàn)量,以便于擴(kuò)展到對(duì)整個(gè)層的度量。通道貢獻(xiàn)量的設(shè)計(jì)初衷是用于抑制通道的輸出,實(shí)現(xiàn)模擬剪枝。NS方法根據(jù)全局閾值,剪除縮放系數(shù)小于全局閾值的通道,保留縮放系數(shù)大于全局閾值的通道。其剪枝過程可以視為將通道輸出乘以一個(gè)關(guān)于縮放系數(shù)的閾值函數(shù),類似于階躍函數(shù),即縮放系數(shù)小于閾值的通道輸出乘以0,縮放系數(shù)大于閾值的通道輸出乘以1。然而這會(huì)造成被剪除部分信息不可恢復(fù)的損失,并且無法體現(xiàn)不同通道的重要性差異,因此為便于對(duì)剪枝后架構(gòu)的模擬,將其改造成平滑度可控的函數(shù)。

    首先,根據(jù)通道縮放系數(shù)的大小,設(shè)計(jì)一個(gè)平滑函數(shù):

    圖2 不同平滑系數(shù)下的平滑函數(shù)

    2.2 位序相關(guān)性加權(quán)

    其中,表示在加權(quán)過程中使用了當(dāng)前通道位序前后項(xiàng)的值,體現(xiàn)了序列中的相鄰?fù)ǖ缹?duì)于當(dāng)前通道貢獻(xiàn)量的影響程度。

    2.3 通道等效重組

    使用通道貢獻(xiàn)量對(duì)初始模型進(jìn)行等效重組的過程,可以視作一種模擬剪枝方法,此時(shí)雖然保留了模型所有信息的完整,但是各層的輸出近似于被剪枝之后的輸出。

    圖4 通道等效重組的過程示意圖

    2.4 縮放系數(shù)的適配調(diào)整

    2.5 微調(diào)

    通過上述步驟,能夠獲取目標(biāo)剪枝率下壓縮模型的架構(gòu)。根據(jù)各層的剩余通道數(shù),分別進(jìn)行硬剪枝,根據(jù)此時(shí)各通道通過式(5)得到的縮放系數(shù)大小,剪除數(shù)值較低的部分通道。由于柔性剪枝是一步式的剪枝方法,因此最后的訓(xùn)練過程根據(jù)剪枝率的大小,提供兩種方案。當(dāng)剪枝率較小時(shí),對(duì)剪枝后的模型微調(diào)。當(dāng)剪枝率較大時(shí),考慮使用壓縮模型架構(gòu)直接從頭訓(xùn)練(train from scratch)。

    3 實(shí)驗(yàn)與分析

    本文實(shí)驗(yàn)代碼采用Pytorch編程框架,所使用的GPU為NVIDIA RTX 2080Ti。本節(jié)將結(jié)合實(shí)驗(yàn)驗(yàn)證深度卷積神經(jīng)網(wǎng)絡(luò)柔性剪枝策略的實(shí)際性能。

    3.1 實(shí)驗(yàn)數(shù)據(jù)與評(píng)價(jià)指標(biāo)

    實(shí)驗(yàn)采用CIFAR-10/100[28]數(shù)據(jù)集,其被廣泛應(yīng)用于評(píng)價(jià)網(wǎng)絡(luò)剪枝方法。CIFAR-10/100數(shù)據(jù)集都包括50 000個(gè)訓(xùn)練數(shù)據(jù)和10 000個(gè)測試數(shù)據(jù),每張圖像的大小是32 dpi×32 dpi,分別有10個(gè)和100個(gè)類。按照文獻(xiàn)[12]的方法對(duì)CIFAR-10/100進(jìn)行預(yù)處理圖像。

    本文選取經(jīng)典的VGG[27]和ResNet[2]作為剪枝的預(yù)訓(xùn)練網(wǎng)絡(luò)。這兩個(gè)網(wǎng)絡(luò)分別作為無跨層連接和有跨層連接的代表,能夠最直觀地反映出網(wǎng)絡(luò)壓縮對(duì)于一般網(wǎng)絡(luò)模型的效果。需要指出的是,當(dāng)對(duì)ResNet上的跨層連接進(jìn)行剪枝時(shí),通過剪枝得到一個(gè)錢包型(wallet)[29]的結(jié)構(gòu)會(huì)更有利于剪枝后的網(wǎng)絡(luò)架構(gòu)。因此,本文設(shè)計(jì)一種相對(duì)保守的剪枝策略:對(duì)于跨層連接的通道,以每次跨層連接前后的BN層縮放系數(shù)中的最大值作為它的重要性度量,再計(jì)算得到跨層連接所需要的通道數(shù)。相比于NS剪枝完全不對(duì)跨層的通道進(jìn)行裁剪,通過這一策略能夠在最大程度保證剪枝后準(zhǔn)確率不會(huì)驟降的同時(shí),對(duì)跨層連接的通道進(jìn)行裁剪。

    實(shí)驗(yàn)主要通過剪枝后模型的準(zhǔn)確率、浮點(diǎn)運(yùn)算量和參數(shù)量3個(gè)評(píng)價(jià)指標(biāo)與其他剪枝方法對(duì)比。準(zhǔn)確率指的是分類神經(jīng)網(wǎng)絡(luò)在測試數(shù)據(jù)集上的Top-1分類準(zhǔn)確率。浮點(diǎn)運(yùn)算量用于衡量模型的計(jì)算復(fù)雜度,浮點(diǎn)運(yùn)算量越低說明模型實(shí)際運(yùn)算所需的計(jì)算量越少,模型加速的效果越好。參數(shù)量表示模型占用的內(nèi)存大小量,參數(shù)量的減少可以直接體現(xiàn)模型壓縮的效果。

    3.2 參數(shù)設(shè)定

    稀疏訓(xùn)練:與NS[12]一樣,通過對(duì)BN層縮放系數(shù)施加L1懲罰項(xiàng)進(jìn)行稀疏化訓(xùn)練。在CIFAR數(shù)據(jù)集上,對(duì)于VGG16選擇10?4作為稀疏率,ResNet56則選擇10?5。所有其他設(shè)置與正常訓(xùn)練保持一致。

    3.3 CIFAR10/100上VGG16的剪枝實(shí)驗(yàn)

    在CIFAR10/100數(shù)據(jù)集上修剪VGG16的比較結(jié)果見表1。為了保證數(shù)據(jù)的準(zhǔn)確性,直接使用文獻(xiàn)[19-20, 25]中的實(shí)驗(yàn)數(shù)據(jù)與柔性剪枝方法進(jìn)行對(duì)比。由于NS[12]最先提出使用BN層的縮放系數(shù)作為衡量通道重要性的度量,OT[19]、PR[20]是基于NS的最新改進(jìn)工作,AOFP降低剪枝過程的運(yùn)算成本,這些都與柔性剪枝有一定關(guān)聯(lián),因此后續(xù)實(shí)驗(yàn)主要與這些工作進(jìn)行比較。首先修剪VGG16模型使其減少與PR方法相當(dāng)?shù)母↑c(diǎn)運(yùn)算量,實(shí)驗(yàn)結(jié)果顯示在CIFAR10/100數(shù)據(jù)集上,柔性剪枝方法在浮點(diǎn)運(yùn)算量較基線模型分別降低55%和45%時(shí),準(zhǔn)確率為94.04%和74.33%,分別比PR提高0.12%和0.08%,比OT提高0.17%和0.71%。其中在CIFAR10數(shù)據(jù)集上,柔性剪枝比AOFP多減少14%的浮點(diǎn)運(yùn)算量,但準(zhǔn)確度基本一致。

    表1 在CIFAR10/100數(shù)據(jù)集上修剪VGG16的比較結(jié)果

    大剪枝率下CIFAR10數(shù)據(jù)集上修剪VGG16的比較結(jié)果見表2。為公平地比較壓縮模型網(wǎng)絡(luò)架構(gòu)的性能,分別使用文獻(xiàn)[18]提出的兩種訓(xùn)練方法Scratch-E、Scratch-B對(duì)各網(wǎng)絡(luò)架構(gòu)進(jìn)行從頭訓(xùn)練。其中,Scratch-E表示使用與預(yù)訓(xùn)練相同的160個(gè)訓(xùn)練輪次,Scratch-B則使用相同計(jì)算預(yù)算,如剪枝后的網(wǎng)絡(luò)比初始模式減少了一半的浮點(diǎn)運(yùn)算量,則用兩倍的訓(xùn)練輪次。表2中依次展示通道剪枝率為74%、76%、80%和86%時(shí)柔性剪枝后壓縮模型的網(wǎng)絡(luò)架構(gòu)。與OT相比,當(dāng)剪枝率相同時(shí),柔性剪枝方法(剪枝率74%)得到的架構(gòu)準(zhǔn)確率更高,但浮點(diǎn)運(yùn)算量更大。而當(dāng)浮點(diǎn)運(yùn)算量相當(dāng)時(shí),柔性剪枝方法(剪枝率76%)與OT[19]的結(jié)果準(zhǔn)確率非常接近。從架構(gòu)上看,柔性剪枝方法(剪枝率76%)與OT在前6層的通道數(shù)非常接近,每層的通道數(shù)差別都在10以內(nèi),而在后面幾層,柔性剪枝方法則保留了更少的通道。RBP[30]是一種在貝葉斯框架下的層遞歸貝葉斯剪枝方法,與其相比,在相同的浮點(diǎn)運(yùn)算量下,柔性剪枝方法(剪枝率80%)在兩種訓(xùn)練方法下的準(zhǔn)確率比RBP分別提高了0.49%和0.53%。在相同的剪枝率下,柔性剪枝方法(剪枝率86%)雖然在Scratch-E訓(xùn)練下的準(zhǔn)確率比RBP降低了0.51%,但在Scratch-B訓(xùn)練下的準(zhǔn)確率提高了0.17%。其主要原因是柔性剪枝方法(剪枝率86%)得到的架構(gòu)浮點(diǎn)運(yùn)算量太低,只有RBP架構(gòu)的一半。實(shí)驗(yàn)結(jié)果表明,在大剪枝率下,柔性剪枝方法得到的網(wǎng)絡(luò)架構(gòu)性能超過了一些當(dāng)下最新的剪枝方法。

    表2 大剪枝率下CIFAR10數(shù)據(jù)集上修剪VGG16的比較結(jié)果

    3.4 CIFAR10/100上ResNet56的剪枝實(shí)驗(yàn)

    在CIFAR10/100數(shù)據(jù)集上修剪ResNet56的比較結(jié)果見表3。為了保證數(shù)據(jù)的準(zhǔn)確性,使用文獻(xiàn)[12,15,20-21,23,26]中的實(shí)驗(yàn)數(shù)據(jù)與柔性剪枝方法對(duì)比,其中,NS[12]、PR[20]、BN-SFP[23]是基于BN層縮放系數(shù)的剪枝方法,SFP[21]、BN-SFP、ASFP[15]是軟剪枝方法,與柔性剪枝方法存在一定關(guān)聯(lián)。從表3中可以看出,在相同浮點(diǎn)運(yùn)算量下,柔性剪枝方法在CIFAR10/100數(shù)據(jù)集上分別比NS[12]提高了0.58%和1.11%,而與PR的方法結(jié)果非常接近,僅提高了0.02%和0.08%。與軟剪枝方法對(duì)比中,柔性剪枝具有一定優(yōu)勢,在CIFAR10數(shù)據(jù)集上的準(zhǔn)確率分別比SFP、BN-SFP、ASFP提高了0.25%、0.31%、0.48%。除此以外,柔性剪枝方法在浮點(diǎn)計(jì)算量減少48%時(shí),準(zhǔn)確率達(dá)到93.85%,優(yōu)于一些其他最新剪枝ABCPruner[26]、DCP[31]、DeepHoyer[32]、LPEC[33]。

    表3 在CIFAR10/100數(shù)據(jù)集上修剪ResNet56的比較結(jié)果

    3.5 超參數(shù)分析

    3.6 迭代訓(xùn)練分析

    為了進(jìn)一步驗(yàn)證柔性剪枝策略的高效性,本節(jié)設(shè)計(jì)實(shí)驗(yàn)分析柔性剪枝方法所需的迭代次數(shù)以及每次迭代后再訓(xùn)練的輪次對(duì)剪枝效果的影響,如圖6所示。首先,如圖6(a)所示,固定總訓(xùn)練輪次為80輪,分別測試1次、2次、4次迭代,每次迭代后再訓(xùn)練輪次相同。結(jié)果顯示,迭代次數(shù)的增加不會(huì)對(duì)柔性剪枝的性能產(chǎn)生較大影響。其次,如圖6(b)所示,測試更多的總訓(xùn)練輪次是否導(dǎo)致更好的剪枝效果,實(shí)驗(yàn)中分別測試80次、160次、240次總訓(xùn)練輪次。結(jié)果顯示,隨著總訓(xùn)練輪次的增加,剪枝性能沒有顯著提升。通過迭代訓(xùn)練的實(shí)驗(yàn)可知,柔性剪枝方法的優(yōu)越性在于,與傳統(tǒng)的迭代剪枝方法不同,柔性剪枝的過程不需要重復(fù)“剪枝?再訓(xùn)練”的過程,僅需要消耗較少的運(yùn)算成本,獲得高性能的壓縮模型架構(gòu)。

    圖5 超參數(shù)對(duì)剪枝的影響

    圖6 迭代訓(xùn)練對(duì)剪枝的影響

    3.7 重構(gòu)實(shí)驗(yàn)分析

    柔性剪枝方法不僅適用于網(wǎng)絡(luò)壓縮,同時(shí)還可以在浮點(diǎn)運(yùn)算量相同的條件下,對(duì)原網(wǎng)絡(luò)重構(gòu),提高分類準(zhǔn)確率。具體地,通過先將原網(wǎng)絡(luò)架構(gòu)等比例放大,再對(duì)其進(jìn)行剪枝,從而獲得與原網(wǎng)絡(luò)浮點(diǎn)運(yùn)算量相同的網(wǎng)絡(luò)架構(gòu),并使得其中一些層的通道數(shù)多于原網(wǎng)絡(luò)中該層的通道數(shù)。以此在不減少網(wǎng)絡(luò)計(jì)算的同時(shí)調(diào)整其各層的通道數(shù),獲得更高的準(zhǔn)確率。在CIFAR10/100數(shù)據(jù)集上重構(gòu)VGG16、ResNet56的效果見表4,對(duì)VGG16和ResNet56進(jìn)行重構(gòu)后,再重新訓(xùn)練得到的準(zhǔn)確率提升。結(jié)果顯示,相比原始網(wǎng)絡(luò)架構(gòu),在同等的浮點(diǎn)運(yùn)算量下,柔性剪枝方法重構(gòu)的VGG16準(zhǔn)確率分別提升超過0.32%和0.37%,重構(gòu)的ResNet56準(zhǔn)確率分別提升超過0.24%和0.23%。通過重構(gòu)實(shí)驗(yàn)說明,人工預(yù)定義的網(wǎng)絡(luò)架構(gòu)對(duì)于特定的分類任務(wù)往往不是最優(yōu)的,通過剪枝的方法可以獲得同等浮點(diǎn)運(yùn)算量下準(zhǔn)確率更高的架構(gòu)。

    表4 在CIFAR10/100數(shù)據(jù)集上重構(gòu)VGG16、ResNet56的效果

    4 結(jié)束語

    本文提出了一種柔性剪枝策略,一方面,結(jié)合神經(jīng)網(wǎng)絡(luò)模型中的權(quán)重分布情況,設(shè)計(jì)了通道貢獻(xiàn)量作為通道重要性評(píng)價(jià)指標(biāo),以層的視角宏觀地設(shè)計(jì)整層的剪枝方案;另一方面,創(chuàng)造性地提出了一種模擬剪枝方案,使用較少的計(jì)算消耗獲取高性能的網(wǎng)絡(luò)架構(gòu)。在公開數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)表明,柔性剪枝后模型架構(gòu)的性能優(yōu)于其他最新的剪枝方法,是一種非常高效的剪枝方法。在后續(xù)的工作中,將進(jìn)一步測試在跨層連接上的剪枝策略,以及將柔性剪枝策略應(yīng)用于其他最新的輕量級(jí)網(wǎng)絡(luò)。

    [1] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60(6): 84-90.

    [2] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE Press, 2016: 770-778.

    [3] 唐博恒, 柴鑫剛. 基于云邊協(xié)同的計(jì)算機(jī)視覺推理機(jī)制[J]. 電信科學(xué), 2021, 37(5): 72-81.

    TANG B H, CHAI X G. Cloud-edge collaboration based computer vision inference mechanism[J]. Telecommunications Science, 2021, 37(5): 72-81.

    [4] WANG Y, BIAN Z P, HOU J H, et al. Convolutional neural networks with dynamic regularization[EB]. 2019.

    [5] COURBARIAUX M, BENGIO Y, DAVID J P. Binary Connect: training deep neural networks with binary weights during propagations[J]. CoRR, 2015.

    [6] HAN S, POOL J, TRAN J, et al. Learning both weights and connections for efficient neural networks[J]. CoRR, 2015.

    [7] WEN W J, YANG F, SU Y F, et al. Learning low-rank structured sparsity in recurrent neural networks[C]//Proceedings of 2020 IEEE International Symposium on Circuits and Systems (ISCAS). Piscataway: IEEE Press, 2020: 1-4.

    [8] HE Y H, ZHANG X Y, SUN J. Channel pruning for accelerating very deep neural networks[C]//Proceedings of 2017 IEEE International Conference on Computer Vision (ICCV). Piscataway: IEEE Press, 2017: 1398-1406.

    [9] LI H, KADAV A, DURDANOVIC I, et al. Pruning filters for efficient ConvNets[EB]. 2016.

    [10] HU H Y, PENG R, TAI Y W, et al. Network trimming: a data-driven neuron pruning approach towards efficient deep architectures[EB]. 2016.

    [11] LUO J H, WU J X, LIN W Y. ThiNet: a filter level pruning method for deep neural network compression[C]//Proceedings of 2017 IEEE International Conference on Computer Vision (ICCV). Piscataway: IEEE Press, 2017: 5068-5076.

    [12] LIU Z, LI J G, SHEN Z Q, et al. Learning efficient convolutional networks through network slimming[C]//Proceedings of 2017 IEEE International Conference on Computer Vision (ICCV). Piscataway: IEEE Press, 2017: 2755-2763.

    [13] YE J B, LU X, LIN Z, et al. Rethinking the smaller-norm-less-informative assumption in channel pruning of convolution layers[EB]. 2018.

    [14] IOFFE S, SZEGEDY C. Batch normalization: accelerating deep network training by reducing internal covariate shift[J]. CoRR, 2015.

    [15] HE Y, DONG X Y, KANG G L, et al. Asymptotic soft filter pruning for deep convolutional neural networks[J]. IEEE Transactions on Cybernetics, 2020, 50(8): 3594-3604.

    [16] LIN M B, JI R R, ZHANG Y X, et al. Channel pruning via automatic structure search[C]//Proceedings of Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence. California: International Joint Conferences on Artificial Intelligence Organization, 2020.

    [17] LECUN Y, DENKER J S, Solla S A. Optimal brain damage[C]// Proceedings of the Advances in Neural Information Processing Systems. Berlin: Springer, 1989: 598-605.

    [18] LIU Z, SUN M J, ZHOU T H, et al. Rethinking the value of network pruning[EB]. 2018.

    [19] YE Y, YOU G M, FWU J K, et al. Channel pruning via optimal thresholding[M]//Communications in Computer and Information Science. Cham: Springer International Publishing, 2020: 508-516.

    [20] ZHUANG T, ZHANG Z X, HUANG Y H, et al. Neuron-level structured pruning using polarization regularizer[C]// Advances in Neural Information Processing Systems. 2020: 1-13.

    [21] RONG J T, YU X Y, ZHANG M Y, et al. Soft Taylor pruning for accelerating deep convolutional neural networks[C]//Proceedings of IECON 2020 The 46th Annual Conference of the IEEE Industrial Electronics Society. Piscataway: IEEE Press, 2020: 5343-5349.

    [22] CAI L H, AN Z L, YANG C G, et al. Softer pruning, incremental regularization[C]//Proceedings of 2020 25th International Conference on Pattern Recognition (ICPR). Piscataway: IEEE Press, 2021: 224-230.

    [23] XU X Z, CHEN Q M, XIE L, et al. Batch-normalization-based soft filter pruning for deep convolutional neural networks[C]//Proceedings of 2020 16th International Conference on Control, Automation, Robotics and Vision (ICARCV). Piscataway: IEEE Press, 2020: 951-956.

    [24] LIU Z C, MU H Y, ZHANG X Y, et al. MetaPruning: meta learning for automatic neural network channel pruning[C]// Proceedings of 2019 IEEE/CVF International Conference on Computer Vision (ICCV). Piscataway: IEEE Press, 2019: 3295-3304.

    [25] DING Y X, ZHAO W G, WANG Z P, et al. Automaticlly learning featurs of android apps using CNN[C]//Proceedings of 2018 International Conference on Machine Learning and Cybernetics (ICMLC). Piscataway: IEEE Press, 2018: 331-336.

    [26] LIN M B, JI R R, ZHANG Y X, et al. Channel pruning via automatic structure search[C]//Proceedings of Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence. California: International Joint Conferences on Artificial Intelligence Organization, 2020: 673-679.

    [27] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. CoRR, 2014.

    [28] KRIZHEVSKY A, HINTON G. Learning multiple layers of features from tiny images[J]. Handbook of Systemic Autoimmune Diseases. 2009,1(4).

    [29] LUO J H, WU J X. Neural network pruning with residual-connections and limited-data[C]//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE Press, 2020: 1455-1464.

    [30] ZHOU Y F, ZHANG Y, WANG Y F, et al. Accelerate CNN via recursive Bayesian pruning[C]//Proceedings of 2019 IEEE/CVF International Conference on Computer Vision (ICCV). Piscataway: IEEE Press, 2019: 3305-3314.

    [31] PENG H Y, WU J X, CHEN S F, et al. Collaborative channel pruning for deep networks[C]//Proceedings of the International Conference on Machine Learning. New York: ACM Press, 2019:5113-5122.

    [32] YANG H R, WEN W, LI H. DeepHoyer: learning sparser neural network with differentiable scale-invariant sparsity measures[EB]. 2019.

    [33] HE Y, DING Y H, LIU P, et al. Learning filter pruning criteria for deep convolutional neural networks acceleration[C]//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE Press, 2020: 2006-2015.

    A flexible pruning on deep convolutional neural networks

    CHEN Liang1,2, QIAN Yaguan1,2, HE Zhiqiang1,2, GUAN Xiaohui3, WANG Bin4, WANG Xing4

    1. School of Science/School of Big-data Science, Zhejiang University of Science and Technology, Hangzhou 310023, China 2. Hikvision-Zhejiang University of Science and Technology Edge Intelligence Security Lab, Hangzhou 310023, China 3. College of Information Engineering & Art Design, Zhejiang University of Water Resources and Electric Power, Hangzhou 310023, China 4. College of Electrical Engineering, Zhejiang University, Hangzhou 310063, China

    Despite the successful application of deep convolutional neural networks, due to the redundancy of its structure, the large memory requirements and the high computing cost lead it hard to be well deployed to the edge devices with limited resources. Network pruning is an effective way to eliminate network redundancy. An efficient flexible pruning strategy was proposed in the purpose of the best architecture under the limited resources. The contribution of channels was calculated considering the distribution of channel scaling factors. Estimating the pruning result and simulating in advance increase efficiency. Experimental results based on VGG16 and ResNet56 on CIFAR-10 show that the flexible pruning reduces FLOPs by 71.3% and 54.3%, respectively, while accuracy by only 0.15 percentage points and 0.20 percentage points compared to the benchmark model.

    convolutional neural network, network pruning, scaling factor, channel contribution

    TP183

    A

    10.11959/j.issn.1000?0801.2022004

    2021?08?04;

    2021?12?13

    國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(No.2018YFB2100400);國家自然科學(xué)基金資助項(xiàng)目(No.61902082)

    The National Key Research and Development Program of China (No.2018YFB2100400), The National Natural Science Foundation of China (No.61902082)

    陳靚(1995?),男,浙江科技學(xué)院碩士生,主要研究方向?yàn)榫W(wǎng)絡(luò)剪枝。

    錢亞冠(1976?),男,博士,浙江科技學(xué)院副教授,主要研究方向?yàn)樯疃葘W(xué)習(xí)、人工智能安全、大數(shù)據(jù)處理。

    何志強(qiáng)(1996?),男,浙江科技學(xué)院碩士生,主要研究方向?yàn)榫W(wǎng)絡(luò)剪枝。

    關(guān)曉惠(1977?),女,博士,浙江水利水電學(xué)院副教授,主要研究方向?yàn)閿?shù)字圖像處理與模式識(shí)別。

    王濱(1978?),男,博士,浙江大學(xué)研究員,主要研究方向?yàn)槿斯ぶ悄馨踩⑽锫?lián)網(wǎng)安全、密碼學(xué)。

    王星(1985?),男,博士,浙江大學(xué)在站博士后,主要研究方向?yàn)闄C(jī)器學(xué)習(xí)與物聯(lián)網(wǎng)安全。

    猜你喜歡
    剪枝集上柔性
    一種柔性拋光打磨頭設(shè)計(jì)
    人到晚年宜“剪枝”
    灌注式半柔性路面研究進(jìn)展(1)——半柔性混合料組成設(shè)計(jì)
    石油瀝青(2021年5期)2021-12-02 03:21:18
    基于YOLOv4-Tiny模型剪枝算法
    高校學(xué)生管理工作中柔性管理模式應(yīng)用探索
    Cookie-Cutter集上的Gibbs測度
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    復(fù)扇形指標(biāo)集上的分布混沌
    剪枝
    天津詩人(2017年2期)2017-03-16 03:09:39
    一種面向不平衡數(shù)據(jù)分類的組合剪枝方法
    国产精品影院久久| 97碰自拍视频| 免费人成视频x8x8入口观看| 久久久久国内视频| 老司机午夜十八禁免费视频| 老司机午夜十八禁免费视频| 啦啦啦韩国在线观看视频| 精品久久久精品久久久| 99久久久亚洲精品蜜臀av| 波多野结衣av一区二区av| 女人精品久久久久毛片| 欧美丝袜亚洲另类 | 搞女人的毛片| 精品国产一区二区三区四区第35| 日日爽夜夜爽网站| 一个人观看的视频www高清免费观看 | xxx96com| 纯流量卡能插随身wifi吗| 丁香欧美五月| 亚洲avbb在线观看| 精品国产超薄肉色丝袜足j| 婷婷六月久久综合丁香| 亚洲 欧美一区二区三区| а√天堂www在线а√下载| 欧美一区二区精品小视频在线| av欧美777| 嫩草影院精品99| 香蕉国产在线看| www.精华液| 亚洲av片天天在线观看| 自线自在国产av| 欧美激情 高清一区二区三区| 日本免费a在线| 女警被强在线播放| 国产成人免费无遮挡视频| 一级a爱视频在线免费观看| 人人妻人人澡欧美一区二区 | 欧美大码av| 色婷婷久久久亚洲欧美| 成人三级黄色视频| 久久人妻熟女aⅴ| 黄色片一级片一级黄色片| 最近最新中文字幕大全电影3 | 国产真人三级小视频在线观看| 精品电影一区二区在线| 国产一区二区在线av高清观看| 一边摸一边抽搐一进一小说| 成人18禁在线播放| 亚洲精品一卡2卡三卡4卡5卡| 午夜影院日韩av| 欧美激情极品国产一区二区三区| 啦啦啦 在线观看视频| 大码成人一级视频| 欧美日韩亚洲国产一区二区在线观看| 一个人观看的视频www高清免费观看 | 国产单亲对白刺激| 黑人巨大精品欧美一区二区蜜桃| 欧美久久黑人一区二区| 青草久久国产| 美女大奶头视频| 亚洲精品国产精品久久久不卡| 午夜免费激情av| www.精华液| 国产精品乱码一区二三区的特点 | 91麻豆av在线| 色老头精品视频在线观看| 91成人精品电影| 亚洲精品国产精品久久久不卡| 男人的好看免费观看在线视频 | 97超级碰碰碰精品色视频在线观看| 日韩大尺度精品在线看网址 | 操出白浆在线播放| 看片在线看免费视频| 国产精品亚洲一级av第二区| 日韩欧美三级三区| 一级作爱视频免费观看| 成人精品一区二区免费| 婷婷精品国产亚洲av在线| 啦啦啦 在线观看视频| 久久午夜亚洲精品久久| 啦啦啦韩国在线观看视频| 久久香蕉精品热| 中文字幕人成人乱码亚洲影| 淫秽高清视频在线观看| 很黄的视频免费| 欧美一级a爱片免费观看看 | 免费无遮挡裸体视频| 日韩成人在线观看一区二区三区| 满18在线观看网站| 亚洲国产精品久久男人天堂| 国产精品乱码一区二三区的特点 | 在线播放国产精品三级| 亚洲国产高清在线一区二区三 | 亚洲精品美女久久久久99蜜臀| 1024视频免费在线观看| e午夜精品久久久久久久| 三级毛片av免费| 丁香六月欧美| 国产三级在线视频| 亚洲av第一区精品v没综合| www国产在线视频色| 亚洲自偷自拍图片 自拍| 无遮挡黄片免费观看| 免费观看人在逋| www国产在线视频色| www日本在线高清视频| 91字幕亚洲| 免费少妇av软件| 国产伦人伦偷精品视频| 在线十欧美十亚洲十日本专区| 18禁美女被吸乳视频| 国产精品免费一区二区三区在线| 91麻豆精品激情在线观看国产| 国产精品一区二区三区四区久久 | 妹子高潮喷水视频| 欧美日本亚洲视频在线播放| 在线观看免费视频网站a站| 亚洲av美国av| 国产av精品麻豆| 久久中文字幕人妻熟女| 久久伊人香网站| 亚洲五月色婷婷综合| 免费av毛片视频| 一区二区三区精品91| 人妻丰满熟妇av一区二区三区| 黄色 视频免费看| 国产一区二区在线av高清观看| 大香蕉久久成人网| 亚洲国产欧美网| 91成人精品电影| 最近最新中文字幕大全免费视频| 久久影院123| 久久久久久免费高清国产稀缺| 中文字幕人妻丝袜一区二区| 亚洲成a人片在线一区二区| 熟妇人妻久久中文字幕3abv| 欧美午夜高清在线| 18禁黄网站禁片午夜丰满| 韩国av一区二区三区四区| 精品久久久久久,| 国产成人精品无人区| 日本在线视频免费播放| 成人av一区二区三区在线看| 日本免费a在线| 法律面前人人平等表现在哪些方面| 麻豆成人av在线观看| 黄片小视频在线播放| 久久午夜亚洲精品久久| 三级毛片av免费| 真人一进一出gif抽搐免费| 日日爽夜夜爽网站| 身体一侧抽搐| 亚洲片人在线观看| 午夜精品久久久久久毛片777| 淫妇啪啪啪对白视频| 成人特级黄色片久久久久久久| 两个人免费观看高清视频| 一本久久中文字幕| 欧美日本视频| 精品国产美女av久久久久小说| 成人手机av| 国产精品电影一区二区三区| 国产xxxxx性猛交| 亚洲精品久久国产高清桃花| 久久久久久久久中文| 男女午夜视频在线观看| 日韩高清综合在线| 欧美乱码精品一区二区三区| 日韩欧美一区二区三区在线观看| 国产极品粉嫩免费观看在线| 老熟妇乱子伦视频在线观看| 国产一区二区激情短视频| 亚洲一区高清亚洲精品| 激情视频va一区二区三区| 久久久水蜜桃国产精品网| 精品无人区乱码1区二区| 日韩精品中文字幕看吧| 99精品欧美一区二区三区四区| 三级毛片av免费| 岛国在线观看网站| 亚洲精品粉嫩美女一区| 欧洲精品卡2卡3卡4卡5卡区| 男人舔女人的私密视频| 亚洲欧美一区二区三区黑人| 久久影院123| 黑人巨大精品欧美一区二区蜜桃| 电影成人av| 精品国产乱子伦一区二区三区| 精品人妻1区二区| 免费搜索国产男女视频| 看免费av毛片| 亚洲精品久久成人aⅴ小说| 波多野结衣一区麻豆| 美国免费a级毛片| 一区二区日韩欧美中文字幕| 国产熟女午夜一区二区三区| 香蕉久久夜色| 亚洲av美国av| 女人精品久久久久毛片| 悠悠久久av| 国产亚洲精品久久久久5区| 亚洲精品国产色婷婷电影| 嫩草影视91久久| cao死你这个sao货| 黑人操中国人逼视频| 婷婷六月久久综合丁香| 亚洲一区高清亚洲精品| 午夜福利高清视频| 一边摸一边抽搐一进一小说| 无限看片的www在线观看| 1024香蕉在线观看| 精品国产一区二区久久| 九色亚洲精品在线播放| 久久中文字幕一级| 操美女的视频在线观看| 91麻豆av在线| 国产成年人精品一区二区| 男女下面插进去视频免费观看| 精品国产一区二区久久| 精品国内亚洲2022精品成人| 激情在线观看视频在线高清| 久久欧美精品欧美久久欧美| 久久久久久久午夜电影| 日本一区二区免费在线视频| 国产激情欧美一区二区| 成人av一区二区三区在线看| 亚洲精品美女久久久久99蜜臀| 成人手机av| 黄色a级毛片大全视频| 亚洲精品在线美女| 99热只有精品国产| 欧美乱妇无乱码| 黄色a级毛片大全视频| 久久婷婷成人综合色麻豆| 亚洲精品美女久久久久99蜜臀| 99香蕉大伊视频| 黄色毛片三级朝国网站| 亚洲少妇的诱惑av| 国产午夜福利久久久久久| 又黄又爽又免费观看的视频| 人人妻,人人澡人人爽秒播| 啦啦啦 在线观看视频| 国产伦人伦偷精品视频| 两人在一起打扑克的视频| 亚洲一区二区三区不卡视频| 亚洲美女黄片视频| 久久人妻熟女aⅴ| 欧美日韩亚洲国产一区二区在线观看| 免费无遮挡裸体视频| 日韩精品免费视频一区二区三区| 日韩av在线大香蕉| 欧美国产日韩亚洲一区| 精品一区二区三区视频在线观看免费| 99热只有精品国产| 99香蕉大伊视频| 在线国产一区二区在线| av天堂在线播放| 免费观看人在逋| 免费久久久久久久精品成人欧美视频| 午夜激情av网站| or卡值多少钱| 日日爽夜夜爽网站| 亚洲成av片中文字幕在线观看| 99久久综合精品五月天人人| 好男人电影高清在线观看| 中亚洲国语对白在线视频| 成人欧美大片| 日本精品一区二区三区蜜桃| 欧美另类亚洲清纯唯美| 丁香欧美五月| 两人在一起打扑克的视频| 身体一侧抽搐| 成人手机av| 亚洲av五月六月丁香网| 黄色视频,在线免费观看| 午夜免费鲁丝| 亚洲成人国产一区在线观看| 多毛熟女@视频| 午夜福利18| 欧美成狂野欧美在线观看| 亚洲一区中文字幕在线| 日本a在线网址| 国产1区2区3区精品| 黄色女人牲交| 人妻久久中文字幕网| 99国产极品粉嫩在线观看| 国产亚洲av嫩草精品影院| 美女国产高潮福利片在线看| 18禁国产床啪视频网站| 18禁美女被吸乳视频| 欧美成人午夜精品| 久久久国产欧美日韩av| 国产成人欧美| 18禁国产床啪视频网站| 这个男人来自地球电影免费观看| 制服人妻中文乱码| 久久婷婷成人综合色麻豆| 天堂√8在线中文| 女人被狂操c到高潮| 国产精品99久久99久久久不卡| 99在线人妻在线中文字幕| 在线观看免费日韩欧美大片| 人人澡人人妻人| 午夜福利高清视频| 一夜夜www| 欧美一级毛片孕妇| 亚洲欧洲精品一区二区精品久久久| 成人国产一区最新在线观看| 亚洲黑人精品在线| 高清在线国产一区| 国产视频一区二区在线看| 国产一卡二卡三卡精品| 后天国语完整版免费观看| 91九色精品人成在线观看| 久久婷婷人人爽人人干人人爱 | 国产成人欧美在线观看| 韩国av一区二区三区四区| 人人妻人人澡欧美一区二区 | 色婷婷久久久亚洲欧美| 日韩欧美一区视频在线观看| 十八禁人妻一区二区| 亚洲精品av麻豆狂野| 天天躁狠狠躁夜夜躁狠狠躁| 日本 欧美在线| 黄色a级毛片大全视频| 神马国产精品三级电影在线观看 | 男人舔女人的私密视频| 黄频高清免费视频| av天堂久久9| 亚洲 国产 在线| 51午夜福利影视在线观看| 高清在线国产一区| www.自偷自拍.com| 亚洲一码二码三码区别大吗| 不卡av一区二区三区| 亚洲av日韩精品久久久久久密| 亚洲欧美日韩高清在线视频| 日韩欧美三级三区| 精品一区二区三区av网在线观看| 88av欧美| 午夜免费鲁丝| 91精品三级在线观看| 亚洲成国产人片在线观看| 伊人久久大香线蕉亚洲五| 99在线视频只有这里精品首页| 日本黄色视频三级网站网址| 成年人黄色毛片网站| 亚洲成人免费电影在线观看| 桃红色精品国产亚洲av| 亚洲精品在线美女| 欧美成狂野欧美在线观看| 黄网站色视频无遮挡免费观看| 国产精品久久视频播放| 国产亚洲精品久久久久久毛片| 中亚洲国语对白在线视频| 亚洲色图av天堂| 性色av乱码一区二区三区2| 亚洲国产日韩欧美精品在线观看 | 色播亚洲综合网| 免费观看精品视频网站| 亚洲片人在线观看| 午夜老司机福利片| 黄网站色视频无遮挡免费观看| 久久久久久久午夜电影| 午夜久久久久精精品| 999久久久精品免费观看国产| 欧美激情 高清一区二区三区| 免费看十八禁软件| 免费在线观看亚洲国产| 精品国内亚洲2022精品成人| 悠悠久久av| 一夜夜www| 久久午夜综合久久蜜桃| 一级黄色大片毛片| 久久人人精品亚洲av| 在线观看免费日韩欧美大片| 国产av精品麻豆| 成人手机av| 看免费av毛片| 亚洲专区中文字幕在线| 男女床上黄色一级片免费看| 亚洲av电影在线进入| 日韩大码丰满熟妇| 狂野欧美激情性xxxx| 久久久久国产精品人妻aⅴ院| 日韩三级视频一区二区三区| 97超级碰碰碰精品色视频在线观看| 国产99白浆流出| 国产成人精品无人区| 可以在线观看毛片的网站| 国产又色又爽无遮挡免费看| 精品熟女少妇八av免费久了| 亚洲av五月六月丁香网| 久久精品人人爽人人爽视色| 制服人妻中文乱码| 一级a爱片免费观看的视频| 国产成人av教育| 国产亚洲av高清不卡| 午夜亚洲福利在线播放| 国产激情欧美一区二区| 国产精品久久久人人做人人爽| 99香蕉大伊视频| 麻豆成人av在线观看| 十八禁人妻一区二区| 国产99白浆流出| 精品熟女少妇八av免费久了| 免费看a级黄色片| 狂野欧美激情性xxxx| 国产不卡一卡二| 国产成人啪精品午夜网站| 国产精品久久久人人做人人爽| 成人18禁高潮啪啪吃奶动态图| 国产精品免费一区二区三区在线| 99精品在免费线老司机午夜| 免费高清在线观看日韩| 久久久久国产精品人妻aⅴ院| 亚洲国产欧美一区二区综合| 亚洲熟女毛片儿| 久久午夜亚洲精品久久| 日韩欧美国产一区二区入口| 免费不卡黄色视频| 久久狼人影院| xxx96com| 91成年电影在线观看| 精品久久久精品久久久| 一个人观看的视频www高清免费观看 | 国产亚洲精品av在线| 午夜福利免费观看在线| 欧美国产精品va在线观看不卡| 一个人观看的视频www高清免费观看 | 国产精品久久久久久精品电影 | 国产一级毛片七仙女欲春2 | 国产伦一二天堂av在线观看| 欧美在线一区亚洲| 动漫黄色视频在线观看| 久久这里只有精品19| 亚洲国产精品sss在线观看| 老司机福利观看| 久久亚洲精品不卡| 高清在线国产一区| 啦啦啦 在线观看视频| 亚洲国产欧美网| а√天堂www在线а√下载| av免费在线观看网站| 国产一区二区三区在线臀色熟女| 国产成人免费无遮挡视频| 18禁国产床啪视频网站| 电影成人av| 久久久久国内视频| 首页视频小说图片口味搜索| 韩国av一区二区三区四区| 欧美av亚洲av综合av国产av| 香蕉丝袜av| 国产熟女午夜一区二区三区| 国产精品自产拍在线观看55亚洲| 国产区一区二久久| 日韩中文字幕欧美一区二区| 久久青草综合色| 在线观看日韩欧美| 黄色成人免费大全| 18禁美女被吸乳视频| 欧美日本视频| 久久久久久国产a免费观看| 人妻丰满熟妇av一区二区三区| 国产男靠女视频免费网站| 性少妇av在线| 一区二区三区高清视频在线| 久久九九热精品免费| 日韩中文字幕欧美一区二区| 国产成人影院久久av| 9191精品国产免费久久| 久久久久久久午夜电影| 可以在线观看毛片的网站| 亚洲精品美女久久av网站| 人人澡人人妻人| 欧美黑人精品巨大| 国产激情久久老熟女| 成人三级黄色视频| 成人国语在线视频| 国产av在哪里看| 免费在线观看黄色视频的| 国产精品乱码一区二三区的特点 | 国产精品久久久久久精品电影 | 国产精品永久免费网站| 中文字幕人成人乱码亚洲影| 可以免费在线观看a视频的电影网站| 此物有八面人人有两片| 三级毛片av免费| 嫩草影视91久久| 国产成人av教育| 日韩精品青青久久久久久| 女警被强在线播放| 久久人人97超碰香蕉20202| 精品熟女少妇八av免费久了| 少妇粗大呻吟视频| 69精品国产乱码久久久| 老司机靠b影院| 亚洲一卡2卡3卡4卡5卡精品中文| 国产一区二区三区视频了| 国产精华一区二区三区| 亚洲电影在线观看av| 日韩大码丰满熟妇| 国产亚洲精品久久久久久毛片| 久久精品91无色码中文字幕| 国产精品99久久99久久久不卡| 夜夜爽天天搞| 九色亚洲精品在线播放| 亚洲黑人精品在线| 欧美精品亚洲一区二区| 国产成人精品久久二区二区91| 激情在线观看视频在线高清| 亚洲黑人精品在线| 变态另类成人亚洲欧美熟女 | 大香蕉久久成人网| 午夜免费鲁丝| 长腿黑丝高跟| 国产精品一区二区免费欧美| 日韩欧美一区视频在线观看| 成人亚洲精品av一区二区| 国产精品99久久99久久久不卡| 亚洲 欧美 日韩 在线 免费| 免费在线观看完整版高清| 高清黄色对白视频在线免费看| 国产伦一二天堂av在线观看| 精品免费久久久久久久清纯| 欧美日韩瑟瑟在线播放| 老鸭窝网址在线观看| 咕卡用的链子| 国内毛片毛片毛片毛片毛片| 午夜日韩欧美国产| 国产一区二区三区综合在线观看| 亚洲男人的天堂狠狠| 天天躁狠狠躁夜夜躁狠狠躁| 老司机福利观看| 久久精品国产亚洲av香蕉五月| 欧美中文综合在线视频| 亚洲第一青青草原| 一级毛片女人18水好多| 天堂√8在线中文| 91在线观看av| 制服丝袜大香蕉在线| www日本在线高清视频| 午夜福利在线观看吧| 日韩中文字幕欧美一区二区| 国产精华一区二区三区| 亚洲中文字幕日韩| 18禁裸乳无遮挡免费网站照片 | 国产欧美日韩精品亚洲av| 久久国产精品人妻蜜桃| 国产精品久久久久久精品电影 | 麻豆一二三区av精品| 亚洲无线在线观看| 一本大道久久a久久精品| 亚洲av第一区精品v没综合| 9热在线视频观看99| 久久久久久久久久久久大奶| 99国产精品一区二区三区| av超薄肉色丝袜交足视频| 一区二区三区激情视频| 国产熟女午夜一区二区三区| 黄色 视频免费看| 久久精品成人免费网站| 精品福利观看| 久久性视频一级片| 自线自在国产av| 国产单亲对白刺激| 午夜福利一区二区在线看| 国产精品一区二区免费欧美| 美女高潮到喷水免费观看| 在线国产一区二区在线| 性色av乱码一区二区三区2| 少妇熟女aⅴ在线视频| 国产精品 国内视频| 色在线成人网| 日韩三级视频一区二区三区| 丁香六月欧美| 久久久久久国产a免费观看| 一区二区三区国产精品乱码| 久久中文字幕人妻熟女| 757午夜福利合集在线观看| 欧美成人一区二区免费高清观看 | 久久久久国产一级毛片高清牌| 99国产极品粉嫩在线观看| 精品欧美一区二区三区在线| 一进一出好大好爽视频| 国内精品久久久久精免费| 国产av精品麻豆| 国语自产精品视频在线第100页| 高清黄色对白视频在线免费看| 国产视频一区二区在线看| 18禁裸乳无遮挡免费网站照片 | 欧美 亚洲 国产 日韩一| 一级,二级,三级黄色视频| ponron亚洲| 亚洲第一欧美日韩一区二区三区| 18禁国产床啪视频网站| 中文字幕高清在线视频| 国产亚洲欧美在线一区二区| 精品国内亚洲2022精品成人| 免费观看人在逋| 国产视频一区二区在线看| tocl精华| 999久久久精品免费观看国产| 国产精品久久久久久人妻精品电影| 老熟妇乱子伦视频在线观看| 久久亚洲真实| 99久久久亚洲精品蜜臀av| 国产区一区二久久| 亚洲视频免费观看视频| 久久国产亚洲av麻豆专区| 嫩草影院精品99| 9热在线视频观看99| 高清毛片免费观看视频网站| 999精品在线视频| 欧美色欧美亚洲另类二区 |