欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

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

OpenClaw-RL實(shí)戰(zhàn):基于OPD教師模型的強(qiáng)化學(xué)習(xí)策略優(yōu)化

OpenClaw-RL實(shí)戰(zhàn):基于OPD教師模型的強(qiáng)化學(xué)習(xí)策略優(yōu)化 1. 項(xiàng)目概述從“后悔”到“聰明”的AI進(jìn)化之路最近在搞強(qiáng)化學(xué)習(xí)項(xiàng)目特別是基于OpenClaw-RL框架的探索發(fā)現(xiàn)一個(gè)特別有意思的課題如何讓AI學(xué)會(huì)“聰明”地做決策而不是像個(gè)莽夫一樣亂撞。這聽(tīng)起來(lái)有點(diǎn)玄乎但核心其實(shí)就一個(gè)詞——“后悔”。我們?nèi)祟愖鲥e(cuò)事會(huì)后悔然后下次就知道怎么做了AI能不能也這樣當(dāng)然能這就是OPDOptimal Policy Distillation最優(yōu)策略蒸餾教師模型訓(xùn)練的核心思想。簡(jiǎn)單來(lái)說(shuō)它不是讓AI從零開(kāi)始瞎摸索而是先給它看一個(gè)“笨老師”是怎么做的然后讓AI去分析這個(gè)“笨老師”哪里做錯(cuò)了、哪里可以做得更好最后自己總結(jié)出一套更“聰明”的策略。這個(gè)過(guò)程本質(zhì)上就是讓AI學(xué)會(huì)從“后悔”對(duì)次優(yōu)行為的反思中學(xué)習(xí)。這個(gè)項(xiàng)目標(biāo)題“OpenClaw-RL 實(shí)戰(zhàn) 09OPD教師模型訓(xùn)練”點(diǎn)明了幾個(gè)關(guān)鍵信息首先它是一個(gè)實(shí)戰(zhàn)系列的一部分意味著我們要?jiǎng)邮肿霾皇强照劺碚撈浯嗡贠penClaw-RL這個(gè)框架這是一個(gè)用于機(jī)器人操作或復(fù)雜決策任務(wù)的強(qiáng)化學(xué)習(xí)庫(kù)最后核心是OPD教師模型訓(xùn)練。這里的“教師模型”不是指一個(gè)已經(jīng)完美無(wú)缺的專家而更像是一個(gè)“先行者”或“示范者”它可能策略不完美但它的經(jīng)驗(yàn)包括成功和失敗是學(xué)生模型學(xué)習(xí)的寶貴素材。我們最終的目標(biāo)是訓(xùn)練出一個(gè)能超越這位“教師”的、更“聰明”的學(xué)生模型。那么這適合誰(shuí)呢如果你正在研究強(qiáng)化學(xué)習(xí)特別是模仿學(xué)習(xí)、離線強(qiáng)化學(xué)習(xí)或者策略蒸餾想提升智能體在稀疏獎(jiǎng)勵(lì)或復(fù)雜環(huán)境下的表現(xiàn)那這個(gè)內(nèi)容就是為你準(zhǔn)備的。即使你對(duì)OpenClaw-RL不熟但理解OPD的思想和實(shí)現(xiàn)流程也能輕松遷移到其他RL框架中。接下來(lái)我們就拆開(kāi)揉碎了看看怎么一步步讓AI學(xué)會(huì)“吃一塹長(zhǎng)一智”。2. OPD核心思想與為什么需要“后悔”在深入代碼之前我們必須先搞清楚OPD到底在解決什么問(wèn)題以及“后悔”這個(gè)概念是如何被量化和利用的。傳統(tǒng)的強(qiáng)化學(xué)習(xí)比如DQN、PPO是讓智能體通過(guò)與環(huán)境交互根據(jù)獲得的獎(jiǎng)勵(lì)或懲罰來(lái)調(diào)整自己的行為。這就像教小孩走路摔一跤負(fù)獎(jiǎng)勵(lì)就知道下次要小心。但在很多現(xiàn)實(shí)任務(wù)中比如機(jī)器人抓取、游戲?qū)墨@取高質(zhì)量、稠密的獎(jiǎng)勵(lì)信號(hào)非常困難或者交互成本極高。智能體很容易陷入局部最優(yōu)或者探索效率極低。模仿學(xué)習(xí)Imitation Learning是一種思路直接給智能體看專家演示專家軌跡讓它照著學(xué)。但這要求專家數(shù)據(jù)必須高質(zhì)量且充足成本很高。而且如果專家也不是完美的呢學(xué)生最多只能達(dá)到老師的水平無(wú)法青出于藍(lán)。OPD提供了一條中間道路。它不要求教師模型是最優(yōu)策略甚至允許教師策略是次優(yōu)的。它的核心是利用教師模型產(chǎn)生的軌跡狀態(tài)-動(dòng)作序列通過(guò)離線策略評(píng)估的方法比如重要性采樣、Fitted Q Evaluation來(lái)估計(jì)這些軌跡中每個(gè)決策的“優(yōu)勢(shì)”Advantage或“后悔值”Regret。這個(gè)“后悔值”衡量的是在某個(gè)狀態(tài)下教師采取的動(dòng)作相比于可能的最佳動(dòng)作差了多少。2.1 “后悔”的數(shù)學(xué)化優(yōu)勢(shì)函數(shù)與Q值怎么計(jì)算這個(gè)“后悔”呢這里就需要引入強(qiáng)化學(xué)習(xí)里的兩個(gè)核心函數(shù)狀態(tài)價(jià)值函數(shù)V(s)和動(dòng)作價(jià)值函數(shù)Q(s, a)。V(s)表示從狀態(tài)s開(kāi)始遵循當(dāng)前策略能獲得的期望累積回報(bào)。它評(píng)價(jià)一個(gè)狀態(tài)“好不好”。Q(s, a)表示在狀態(tài)s下采取動(dòng)作a然后遵循當(dāng)前策略能獲得的期望累積回報(bào)。它評(píng)價(jià)一個(gè)狀態(tài)-動(dòng)作對(duì)“好不好”。那么優(yōu)勢(shì)函數(shù)A(s, a) Q(s, a) - V(s)。它的含義非常直觀在狀態(tài)s下采取動(dòng)作a比遵循當(dāng)前策略的平均水平好或差多少。如果A(s, a) 0說(shuō)明這個(gè)動(dòng)作比“平常表現(xiàn)”要好是值得鼓勵(lì)的如果A(s, a) 0說(shuō)明這個(gè)動(dòng)作拖了后腿相當(dāng)于一次“后悔”。在OPD中我們使用教師策略π_teacher與環(huán)境交互收集到一批軌跡數(shù)據(jù)D {(s_t, a_t, s_{t1}, r_t)}。然后我們利用這批數(shù)據(jù)通過(guò)離線評(píng)估算法例如訓(xùn)練一個(gè)Q網(wǎng)絡(luò)來(lái)擬合教師數(shù)據(jù)中的回報(bào)估算出教師軌跡中每個(gè)(s_t, a_t)對(duì)應(yīng)的Q_teacher(s_t, a_t)。同時(shí)我們也能估算出V_teacher(s_t)例如通過(guò)對(duì)所有可能動(dòng)作的Q值按教師策略概率加權(quán)平均或者直接用另一個(gè)網(wǎng)絡(luò)擬合狀態(tài)價(jià)值。這樣一來(lái)我們就能計(jì)算出每個(gè)教師動(dòng)作的優(yōu)勢(shì)值A(chǔ)_teacher(s_t, a_t) Q_teacher(s_t, a_t) - V_teacher(s_t)。這個(gè)A_teacher(s_t, a_t)就是我們量化后的“后悔”當(dāng)它為負(fù)時(shí)或“驚喜”當(dāng)它為正時(shí)。學(xué)生模型的學(xué)習(xí)目標(biāo)就是要去模仿那些優(yōu)勢(shì)值為正表現(xiàn)好的動(dòng)作同時(shí)避免或糾正那些優(yōu)勢(shì)值為負(fù)表現(xiàn)差即令人“后悔”的動(dòng)作。它不僅僅模仿行為更模仿行為背后的“價(jià)值判斷”。2.2 OPD與行為克隆、DQN的區(qū)別為了更清楚理解OPD的定位我們把它和常見(jiàn)方法做個(gè)對(duì)比方法數(shù)據(jù)來(lái)源學(xué)習(xí)目標(biāo)優(yōu)點(diǎn)缺點(diǎn)行為克隆專家軌跡 (s, a)最小化動(dòng)作預(yù)測(cè)誤差簡(jiǎn)單直接樣本效率高需要完美專家復(fù)合誤差累積無(wú)法超越專家DQN在線交互 (s, a, r, s)最小化時(shí)序差分誤差能發(fā)現(xiàn)新策略理論上有最優(yōu)解探索成本高需要稠密獎(jiǎng)勵(lì)訓(xùn)練不穩(wěn)定OPD教師軌跡 (s, a, r, s)最大化期望優(yōu)勢(shì)值能利用次優(yōu)數(shù)據(jù)可超越教師樣本效率較高依賴離線評(píng)估的準(zhǔn)確性計(jì)算復(fù)雜度稍高注意OPD中的“教師”不一定是一個(gè)人也可以是一個(gè)訓(xùn)練到一半的RL策略、一個(gè)基于規(guī)則的控制器甚至是多個(gè)不同策略的混合。這大大拓寬了可用數(shù)據(jù)的來(lái)源。所以O(shè)PD的精妙之處在于它把“模仿”升級(jí)成了“批判性模仿”。學(xué)生模型不再盲目照搬老師的每一個(gè)動(dòng)作而是學(xué)會(huì)了評(píng)價(jià)“老師在這個(gè)地方這么干其實(shí)挺蠢的優(yōu)勢(shì)為負(fù)我下次得換個(gè)法子?!?或者“老師這手操作真妙優(yōu)勢(shì)為正我得好好學(xué)?!?這個(gè)過(guò)程就是AI從“后悔”中學(xué)會(huì)“聰明”的本質(zhì)。3. OpenClaw-RL框架下的OPD實(shí)戰(zhàn)設(shè)計(jì)理解了理論我們就要在OpenClaw-RL這個(gè)具體框架里把它實(shí)現(xiàn)。OpenClaw-RL通常用于機(jī)器人靈巧操作任務(wù)比如抓取、擺放、旋擰等。這些任務(wù)狀態(tài)空間圖像、關(guān)節(jié)角度和動(dòng)作空間連續(xù)電機(jī)控制都非常復(fù)雜獎(jiǎng)勵(lì)函數(shù)難以設(shè)計(jì)因此OPD這類方法特別有吸引力。我們的實(shí)戰(zhàn)目標(biāo)可以設(shè)定為訓(xùn)練一個(gè)機(jī)械爪Claw完成將某個(gè)物體從A點(diǎn)抓取并放到B點(diǎn)的任務(wù)。我們有一個(gè)基于傳統(tǒng)控制器或者簡(jiǎn)單RL訓(xùn)練出來(lái)的“教師策略”這個(gè)策略成功率可能只有60%且動(dòng)作有時(shí)冗余、不流暢。我們要用OPD訓(xùn)練一個(gè)“學(xué)生策略”目標(biāo)是超越教師達(dá)到85%以上的成功率并且動(dòng)作更優(yōu)化。3.1 系統(tǒng)整體架構(gòu)設(shè)計(jì)整個(gè)OPD訓(xùn)練流程可以分解為四個(gè)核心模塊它們形成一個(gè)閉環(huán)數(shù)據(jù)收集模塊運(yùn)行教師策略π_teacher在環(huán)境中采集大量軌跡數(shù)據(jù)存儲(chǔ)為經(jīng)驗(yàn)回放緩沖區(qū)D_teacher。每條數(shù)據(jù)包括狀態(tài)s_t動(dòng)作a_t獎(jiǎng)勵(lì)r_t下一狀態(tài)s_{t1}回合結(jié)束標(biāo)志done。實(shí)操要點(diǎn)采集的數(shù)據(jù)量要足夠大以覆蓋任務(wù)的各種狀態(tài)。教師策略可以是隨機(jī)噪聲稍小的策略以增加數(shù)據(jù)的多樣性。離線評(píng)估模塊這是OPD的核心。使用D_teacher中的數(shù)據(jù)訓(xùn)練一個(gè)Q值網(wǎng)絡(luò)Q_phi(s, a)和一個(gè)狀態(tài)價(jià)值網(wǎng)絡(luò)V_psi(s)。目標(biāo)是讓Q_phi能準(zhǔn)確預(yù)測(cè)教師數(shù)據(jù)中累積回報(bào)的期望。常用方法Fitted Q Evaluation (FQE)。通過(guò)最小化時(shí)序差分TD誤差來(lái)訓(xùn)練Q網(wǎng)絡(luò)L E[(r γ * Q_phi(s, a) - Q_phi(s, a))^2]其中a是根據(jù)教師策略在s下采樣的動(dòng)作。V網(wǎng)絡(luò)可以從Q網(wǎng)絡(luò)推導(dǎo)也可以獨(dú)立訓(xùn)練。優(yōu)勢(shì)計(jì)算與數(shù)據(jù)過(guò)濾模塊對(duì)于D_teacher中的每一個(gè)數(shù)據(jù)點(diǎn)(s, a)利用訓(xùn)練好的Q_phi和V_psi計(jì)算優(yōu)勢(shì)值A(chǔ)(s, a) Q_phi(s, a) - V_psi(s)。我們可以根據(jù)優(yōu)勢(shì)值對(duì)數(shù)據(jù)進(jìn)行過(guò)濾或加權(quán)。常見(jiàn)技巧只保留優(yōu)勢(shì)值為正的數(shù)據(jù)即教師做得好的部分給學(xué)生學(xué)習(xí)?;蛘呓o每條數(shù)據(jù)分配一個(gè)權(quán)重例如weight exp(A(s, a) / temperature)優(yōu)勢(shì)越高的數(shù)據(jù)權(quán)重越大。學(xué)生策略訓(xùn)練模塊學(xué)生策略π_theta是一個(gè)神經(jīng)網(wǎng)絡(luò)如高斯策略。它的訓(xùn)練目標(biāo)不再是簡(jiǎn)單的行為克隆模仿動(dòng)作a而是最大化它所采取的動(dòng)作的預(yù)期優(yōu)勢(shì)值。損失函數(shù)可以設(shè)計(jì)為L(zhǎng)(θ) - E_{s~D} [ A(s, π_θ(s)) ] 同時(shí)可以加上一個(gè)與教師動(dòng)作分布KL散度的約束防止策略偏離太遠(yuǎn)導(dǎo)致不穩(wěn)定。實(shí)現(xiàn)方式這類似于策略梯度。我們可以用重參數(shù)化技巧采樣學(xué)生動(dòng)作然后用計(jì)算出的優(yōu)勢(shì)值作為權(quán)重來(lái)更新策略網(wǎng)絡(luò)。這四個(gè)模塊構(gòu)成了迭代優(yōu)化的基礎(chǔ)。學(xué)生策略提升后甚至可以將其作為新的“教師”收集數(shù)據(jù)重新進(jìn)行離線評(píng)估和訓(xùn)練實(shí)現(xiàn)自我進(jìn)化。3.2 關(guān)鍵超參數(shù)與設(shè)計(jì)選擇在動(dòng)手寫代碼前有幾個(gè)關(guān)鍵設(shè)計(jì)需要想清楚網(wǎng)絡(luò)結(jié)構(gòu)Q_phi和π_theta的輸入是狀態(tài)s可能是圖像和向量狀態(tài)的融合輸出分別是標(biāo)量Q值和動(dòng)作分布參數(shù)。網(wǎng)絡(luò)深度和寬度需要根據(jù)任務(wù)復(fù)雜度調(diào)整。對(duì)于機(jī)械爪視覺(jué)任務(wù)通常使用CNN提取圖像特征再與向量狀態(tài)拼接后輸入全連接層。優(yōu)勢(shì)估計(jì)的準(zhǔn)確性這是OPD成敗的關(guān)鍵。FQE的訓(xùn)練穩(wěn)定性需要關(guān)注。技巧包括使用雙Q網(wǎng)絡(luò)減少過(guò)估計(jì)、使用目標(biāo)網(wǎng)絡(luò)穩(wěn)定訓(xùn)練、對(duì)Q值進(jìn)行歸一化等。數(shù)據(jù)過(guò)濾閾值優(yōu)勢(shì)值多大才算“好”這需要一個(gè)閾值??梢詮?開(kāi)始逐步調(diào)整。也可以使用百分位例如只保留優(yōu)勢(shì)值排名前50%的數(shù)據(jù)。策略約束強(qiáng)度在優(yōu)化學(xué)生策略時(shí)完全放開(kāi)可能會(huì)導(dǎo)致在優(yōu)勢(shì)估計(jì)不準(zhǔn)的區(qū)域做出極端行為。因此需要加入與教師策略的KL散度約束系數(shù)β需要調(diào)優(yōu)L_total -E[A(s, π_θ(s))] β * KL(π_θ(·|s) || π_teacher(·|s))。溫度系數(shù)τ在基于權(quán)重的數(shù)據(jù)采樣中溫度τ控制了對(duì)高優(yōu)勢(shì)數(shù)據(jù)的偏好程度。τ越小越傾向于只學(xué)習(xí)最好的那些片段。4. 實(shí)操步驟一教師數(shù)據(jù)收集與環(huán)境搭建我們假設(shè)已經(jīng)有一個(gè)在OpenClaw-RL環(huán)境中能基本運(yùn)行但表現(xiàn)不完美的教師策略。這個(gè)策略可能是一個(gè)訓(xùn)練了100萬(wàn)步的PPO模型成功率飽和在65%。4.1 準(zhǔn)備教師策略與環(huán)境首先確保你的OpenClaw-RL環(huán)境例如一個(gè)模擬的機(jī)器人抓取環(huán)境可以正常導(dǎo)入和運(yùn)行。教師策略通常保存為一個(gè)PyTorch的.pt文件。import torch import gym # 假設(shè)你的環(huán)境是自定義的需要注冊(cè)或直接導(dǎo)入 from openclaw_env import OpenClawGraspEnv # 初始化環(huán)境 env OpenClawGraspEnv(render_modergb_array) state_dim env.observation_space.shape action_dim env.action_space.shape[0] # 加載教師策略模型 class TeacherPolicy(torch.nn.Module): def __init__(self, state_dim, action_dim): super().__init__() # 定義網(wǎng)絡(luò)結(jié)構(gòu)需與保存時(shí)一致 self.fc torch.nn.Sequential( torch.nn.Linear(state_dim[0], 256), torch.nn.ReLU(), torch.nn.Linear(256, 256), torch.nn.ReLU(), torch.nn.Linear(256, action_dim * 2) # 輸出均值和對(duì)數(shù)標(biāo)準(zhǔn)差 ) def forward(self, state): return self.fc(state) teacher_model TeacherPolicy(state_dim, action_dim) teacher_model.load_state_dict(torch.load(./teacher_model_1M.pt)) teacher_model.eval()4.2 收集并存儲(chǔ)軌跡數(shù)據(jù)接下來(lái)運(yùn)行教師策略與環(huán)境交互收集數(shù)據(jù)。我們不僅存儲(chǔ)(s, a, r, s, done)為了后續(xù)方便最好也存儲(chǔ)每個(gè)回合的累計(jì)回報(bào)return和優(yōu)勢(shì)值先占位。import numpy as np from collections import deque import pickle def collect_teacher_data(env, model, num_episodes1000, max_steps500): 收集教師策略的軌跡數(shù)據(jù) buffer { states: [], actions: [], rewards: [], next_states: [], dones: [], returns: [], # 用于后續(xù)驗(yàn)證 advantages: [] # 先占位填0 } for ep in range(num_episodes): state, _ env.reset() episode_states, episode_actions, episode_rewards [], [], [] done False steps 0 while not done and steps max_steps: with torch.no_grad(): state_tensor torch.FloatTensor(state).unsqueeze(0) # 教師策略輸出動(dòng)作分布參數(shù)這里假設(shè)是高斯分布 output model(state_tensor) mean, log_std output.chunk(2, dim-1) std torch.exp(log_std) dist torch.distributions.Normal(mean, std) action dist.sample().numpy().flatten() # 也可以直接取均值但采樣能保留一定的探索性 # action mean.numpy().flatten() next_state, reward, terminated, truncated, _ env.step(action) done terminated or truncated buffer[states].append(state.copy()) buffer[actions].append(action.copy()) buffer[rewards].append(reward) buffer[next_states].append(next_state.copy()) buffer[dones].append(done) buffer[advantages].append(0.0) # 占位 episode_states.append(state) episode_actions.append(action) episode_rewards.append(reward) state next_state steps 1 # 計(jì)算本回合的回報(bào)Monte Carlo Return returns [] G 0 for r in reversed(episode_rewards): G r 0.99 * G # 折扣因子γ0.99 returns.insert(0, G) buffer[returns].extend(returns) if (ep 1) % 100 0: print(fEpisode {ep1}, Total Steps: {len(buffer[states])}, Avg Return: {np.mean(returns):.2f}) # 轉(zhuǎn)換為numpy數(shù)組節(jié)省空間 for key in buffer: buffer[key] np.array(buffer[key]) # 保存數(shù)據(jù) with open(./teacher_data.pkl, wb) as f: pickle.dump(buffer, f) print(f數(shù)據(jù)收集完成共 {len(buffer[states])} 條數(shù)據(jù)。) return buffer # 開(kāi)始收集 teacher_buffer collect_teacher_data(env, teacher_model, num_episodes500)實(shí)操心得收集數(shù)據(jù)時(shí)建議讓教師策略帶有一定的隨機(jī)性如高斯采樣而不是完全確定性輸出。這能增加數(shù)據(jù)的覆蓋度避免學(xué)生只學(xué)到一種僵化的模式。數(shù)據(jù)量建議在10萬(wàn)條以上對(duì)于復(fù)雜任務(wù)可能需要更多。5. 實(shí)操步驟二離線評(píng)估與優(yōu)勢(shì)值計(jì)算有了數(shù)據(jù)我們就可以開(kāi)始最關(guān)鍵的步驟評(píng)估教師策略在每個(gè)決策點(diǎn)上的價(jià)值即計(jì)算Q值和優(yōu)勢(shì)值。5.1 實(shí)現(xiàn)Fitted Q Evaluation (FQE)我們將實(shí)現(xiàn)一個(gè)相對(duì)標(biāo)準(zhǔn)的FQE來(lái)訓(xùn)練Q網(wǎng)絡(luò)。為了穩(wěn)定我們使用目標(biāo)網(wǎng)絡(luò)和雙Q網(wǎng)絡(luò)。import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset class QNetwork(nn.Module): Q(s, a) 網(wǎng)絡(luò) def __init__(self, state_dim, action_dim, hidden_dim256): super().__init__() # 假設(shè)狀態(tài)和動(dòng)作先拼接 self.net nn.Sequential( nn.Linear(state_dim action_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, 1) # 輸出標(biāo)量Q值 ) def forward(self, state, action): x torch.cat([state, action], dim1) return self.net(x) def train_fqe(buffer, state_dim, action_dim, epochs50, batch_size256, lr1e-3): 訓(xùn)練FQE Q網(wǎng)絡(luò) # 準(zhǔn)備數(shù)據(jù) states torch.FloatTensor(buffer[states]) actions torch.FloatTensor(buffer[actions]) rewards torch.FloatTensor(buffer[rewards]) next_states torch.FloatTensor(buffer[next_states]) dones torch.FloatTensor(buffer[dones]) # 初始化兩個(gè)Q網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)減少過(guò)估計(jì) q_net1 QNetwork(state_dim, action_dim) q_net2 QNetwork(state_dim, action_dim) target_q_net1 QNetwork(state_dim, action_dim) target_q_net2 QNetwork(state_dim, action_dim) target_q_net1.load_state_dict(q_net1.state_dict()) target_q_net2.load_state_dict(q_net2.state_dict()) optimizer1 optim.Adam(q_net1.parameters(), lrlr) optimizer2 optim.Adam(q_net2.parameters(), lrlr) dataset TensorDataset(states, actions, rewards, next_states, dones) dataloader DataLoader(dataset, batch_sizebatch_size, shuffleTrue) for epoch in range(epochs): total_loss 0 for batch_states, batch_actions, batch_rewards, batch_next_states, batch_dones in dataloader: # 計(jì)算目標(biāo)Q值r γ * min(Q1_target, Q2_target) with torch.no_grad(): # 教師策略在下一狀態(tài)的動(dòng)作這里需要教師策略模型我們近似使用數(shù)據(jù)中的下一個(gè)動(dòng)作 # 注意嚴(yán)格FQE需要教師策略π_teacher。這里我們使用一個(gè)簡(jiǎn)化假設(shè)數(shù)據(jù)中的下一個(gè)動(dòng)作就是教師策略給出的。 # 更好的做法是用教師策略模型對(duì)batch_next_states重新采樣動(dòng)作。 next_actions torch.FloatTensor(buffer[actions][...]) # 這里需要索引對(duì)應(yīng)簡(jiǎn)化處理 # 實(shí)際應(yīng)調(diào)用 teacher_model(batch_next_states) 采樣動(dòng)作此處為示例簡(jiǎn)化。 # 我們假設(shè)next_actions已準(zhǔn)備好。 target_q1 target_q_net1(batch_next_states, next_actions) target_q2 target_q_net2(batch_next_states, next_actions) target_q torch.min(target_q1, target_q2) # 雙Q學(xué)習(xí)取最小 target batch_rewards.unsqueeze(1) 0.99 * (1 - batch_dones.unsqueeze(1)) * target_q # 計(jì)算當(dāng)前Q值 current_q1 q_net1(batch_states, batch_actions) current_q2 q_net2(batch_states, batch_actions) # 計(jì)算損失 loss1 nn.MSELoss()(current_q1, target) loss2 nn.MSELoss()(current_q2, target) # 反向傳播 optimizer1.zero_grad() loss1.backward() optimizer1.step() optimizer2.zero_grad() loss2.backward() optimizer2.step() total_loss (loss1.item() loss2.item()) / 2 # 軟更新目標(biāo)網(wǎng)絡(luò) tau 0.005 for target_param, param in zip(target_q_net1.parameters(), q_net1.parameters()): target_param.data.copy_(tau * param.data (1.0 - tau) * target_param.data) for target_param, param in zip(target_q_net2.parameters(), q_net2.parameters()): target_param.data.copy_(tau * param.data (1.0 - tau) * target_param.data) if (epoch 1) % 10 0: print(fFQE Epoch {epoch1}, Avg Loss: {total_loss/len(dataloader):.4f}) # 我們使用q_net1作為最終的Q評(píng)估器 return q_net1 # 訓(xùn)練Q網(wǎng)絡(luò) print(開(kāi)始訓(xùn)練FQE Q網(wǎng)絡(luò)...) q_net train_fqe(teacher_buffer, state_dim[0], action_dim) torch.save(q_net.state_dict(), ./fqe_q_net.pt)5.2 計(jì)算優(yōu)勢(shì)值并過(guò)濾數(shù)據(jù)有了訓(xùn)練好的Q網(wǎng)絡(luò)我們可以為緩沖區(qū)里的每條數(shù)據(jù)計(jì)算Q值。要計(jì)算優(yōu)勢(shì)A(s,a)我們還需要V(s)。一個(gè)實(shí)用的近似是V(s) ≈ E_{a~π_teacher}[Q(s, a)]。我們可以用蒙特卡洛估計(jì)從教師策略中采樣多個(gè)動(dòng)作計(jì)算Q值的平均。def compute_advantages(buffer, q_net, teacher_model, num_samples10): 計(jì)算緩沖區(qū)中所有數(shù)據(jù)的優(yōu)勢(shì)值 states torch.FloatTensor(buffer[states]) actions torch.FloatTensor(buffer[actions]) advantages [] q_net.eval() teacher_model.eval() with torch.no_grad(): # 計(jì)算 Q(s, a) for the taken action q_values q_net(states, actions).squeeze().numpy() # 估計(jì) V(s) E[Q(s, a)] under teacher policy v_values [] for i, state in enumerate(states): state_repeated state.repeat(num_samples, 1) # 從教師策略采樣動(dòng)作 output teacher_model(state_repeated) mean, log_std output.chunk(2, dim-1) std torch.exp(log_std) dist torch.distributions.Normal(mean, std) sampled_actions dist.sample() # 計(jì)算采樣動(dòng)作的Q值并取平均 q_samples q_net(state_repeated, sampled_actions) v q_samples.mean().item() v_values.append(v) v_values np.array(v_values) # 優(yōu)勢(shì) A(s,a) Q(s,a) - V(s) adv q_values - v_values advantages adv.tolist() buffer[advantages] np.array(advantages) print(f優(yōu)勢(shì)值計(jì)算完成。范圍[{np.min(adv):.3f}, {np.max(adv):.3f}], 均值{np.mean(adv):.3f}) return buffer, adv # 計(jì)算優(yōu)勢(shì) teacher_buffer, all_advantages compute_advantages(teacher_buffer, q_net, teacher_model) # 數(shù)據(jù)過(guò)濾只保留優(yōu)勢(shì)值為正的數(shù)據(jù)教師做得好的部分 positive_mask all_advantages 0 filtered_states teacher_buffer[states][positive_mask] filtered_actions teacher_buffer[actions][positive_mask] filtered_advantages teacher_buffer[advantages][positive_mask] print(f原始數(shù)據(jù)量{len(teacher_buffer[states])}, 過(guò)濾后優(yōu)勢(shì)0數(shù)據(jù)量{len(filtered_states)}) print(f正優(yōu)勢(shì)比例{len(filtered_states)/len(teacher_buffer[states])*100:.1f}%)注意事項(xiàng)計(jì)算V(s)時(shí)采樣動(dòng)作的數(shù)量num_samples會(huì)影響估計(jì)的準(zhǔn)確性。數(shù)量太少估計(jì)方差大數(shù)量太多計(jì)算成本高。一般取10-20是一個(gè)折中的選擇。另外如果教師策略是確定性的比如直接輸出均值那么V(s)就等于Q(s, π_teacher(s))計(jì)算更簡(jiǎn)單。6. 實(shí)操步驟三學(xué)生策略訓(xùn)練與優(yōu)化現(xiàn)在我們有了“精華”數(shù)據(jù)——教師表現(xiàn)好的那些狀態(tài)-動(dòng)作對(duì)以及它們對(duì)應(yīng)的優(yōu)勢(shì)值可以看作是一種加權(quán)的重要性。接下來(lái)我們訓(xùn)練學(xué)生策略π_θ讓它學(xué)會(huì)采取具有高優(yōu)勢(shì)值的動(dòng)作。6.1 定義學(xué)生策略網(wǎng)絡(luò)與損失函數(shù)學(xué)生策略網(wǎng)絡(luò)結(jié)構(gòu)可以和教師類似但參數(shù)獨(dú)立。class StudentPolicy(nn.Module): def __init__(self, state_dim, action_dim, hidden_dim256): super().__init__() self.fc nn.Sequential( nn.Linear(state_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, hidden_dim), nn.ReLU(), ) self.mean_layer nn.Linear(hidden_dim, action_dim) self.log_std_layer nn.Linear(hidden_dim, action_dim) # 可訓(xùn)練的對(duì)數(shù)標(biāo)準(zhǔn)差參數(shù) self.log_std nn.Parameter(torch.zeros(1, action_dim)) def forward(self, state): x self.fc(state) mean self.mean_layer(x) # 使用可訓(xùn)練的參數(shù)而非網(wǎng)絡(luò)輸出更穩(wěn)定 log_std self.log_std.expand_as(mean) std torch.exp(log_std) return mean, std def train_student_policy(filtered_states, filtered_actions, filtered_advantages, teacher_model, epochs100, batch_size64, lr1e-4, kl_coef0.1): 訓(xùn)練學(xué)生策略最大化優(yōu)勢(shì)同時(shí)約束與教師策略的KL散度 states torch.FloatTensor(filtered_states) actions torch.FloatTensor(filtered_actions) advantages torch.FloatTensor(filtered_advantages).unsqueeze(1) # 保持維度 student_model StudentPolicy(state_dim[0], action_dim) optimizer optim.Adam(student_model.parameters(), lrlr) # 我們還需要教師模型來(lái)計(jì)算KL散度 teacher_model.eval() dataset TensorDataset(states, actions, advantages) dataloader DataLoader(dataset, batch_sizebatch_size, shuffleTrue) for epoch in range(epochs): total_policy_loss 0 total_kl_loss 0 for batch_states, batch_actions, batch_advantages in dataloader: # 學(xué)生策略輸出 student_mean, student_std student_model(batch_states) student_dist torch.distributions.Normal(student_mean, student_std) # 教師策略輸出用于KL計(jì)算 with torch.no_grad(): teacher_output teacher_model(batch_states) teacher_mean, teacher_log_std teacher_output.chunk(2, dim-1) teacher_std torch.exp(teacher_log_std) teacher_dist torch.distributions.Normal(teacher_mean, teacher_std) # 策略梯度損失 -E[ A * log π_θ(a|s) ] # 注意這里我們使用重參數(shù)化技巧但對(duì)于已采樣的動(dòng)作我們計(jì)算其對(duì)數(shù)概率 log_prob student_dist.log_prob(batch_actions).sum(dim-1, keepdimTrue) policy_loss - (batch_advantages * log_prob).mean() # KL散度損失 E[ KL( π_θ || π_teacher ) ] kl_div torch.distributions.kl.kl_divergence(student_dist, teacher_dist).sum(dim-1, keepdimTrue) kl_loss kl_div.mean() # 總損失 loss policy_loss kl_coef * kl_loss optimizer.zero_grad() loss.backward() torch.nn.utils.clip_grad_norm_(student_model.parameters(), max_norm0.5) # 梯度裁剪 optimizer.step() total_policy_loss policy_loss.item() total_kl_loss kl_loss.item() if (epoch 1) % 20 0: avg_pl total_policy_loss / len(dataloader) avg_kl total_kl_loss / len(dataloader) print(fEpoch {epoch1}: Policy Loss{avg_pl:.4f}, KL Loss{avg_kl:.4f}) print(學(xué)生策略訓(xùn)練完成。) return student_model print(開(kāi)始訓(xùn)練學(xué)生策略...) student_model train_student_policy(filtered_states, filtered_actions, filtered_advantages, teacher_model) torch.save(student_model.state_dict(), ./student_model_opd.pt)6.2 訓(xùn)練技巧與迭代優(yōu)化上面的訓(xùn)練循環(huán)是一個(gè)基礎(chǔ)版本。在實(shí)際操作中你可能需要加入以下技巧來(lái)提升效果優(yōu)勢(shì)歸一化在計(jì)算策略損失前對(duì)batch_advantages進(jìn)行歸一化減去均值除以標(biāo)準(zhǔn)差可以穩(wěn)定訓(xùn)練。batch_advantages (batch_advantages - batch_advantages.mean()) / (batch_advantages.std() 1e-8)自適應(yīng)KL系數(shù)固定KL系數(shù)可能難以調(diào)優(yōu)。可以設(shè)計(jì)一個(gè)自適應(yīng)機(jī)制例如當(dāng)KL散度超過(guò)目標(biāo)值時(shí)增大系數(shù)低于時(shí)減小系數(shù)。多次迭代與數(shù)據(jù)重估訓(xùn)練完一代學(xué)生策略后可以用它作為新的“教師”去收集數(shù)據(jù)或與舊數(shù)據(jù)混合然后用FQE重新評(píng)估新數(shù)據(jù)計(jì)算新的優(yōu)勢(shì)值再訓(xùn)練下一代學(xué)生。這個(gè)過(guò)程可以迭代數(shù)次讓策略不斷進(jìn)化。集成與平滑訓(xùn)練多個(gè)Q網(wǎng)絡(luò)進(jìn)行集成用其輸出的最小值或平均值作為更穩(wěn)健的優(yōu)勢(shì)估計(jì)可以減少離線評(píng)估的誤差。7. 效果評(píng)估與問(wèn)題排查訓(xùn)練完成后我們必須在獨(dú)立的環(huán)境中對(duì)學(xué)生策略進(jìn)行測(cè)試并與原始教師策略對(duì)比。7.1 性能對(duì)比測(cè)試編寫一個(gè)測(cè)試函數(shù)在環(huán)境中運(yùn)行策略若干回合統(tǒng)計(jì)成功率、平均回報(bào)等指標(biāo)。def evaluate_policy(env, model, num_episodes50, max_steps500, deterministicTrue): 評(píng)估策略性能 total_rewards [] success_count 0 model.eval() for ep in range(num_episodes): state, _ env.reset() episode_reward 0 done False steps 0 while not done and steps max_steps: with torch.no_grad(): state_tensor torch.FloatTensor(state).unsqueeze(0) mean, std model(state_tensor) if deterministic: action mean.numpy().flatten() # 測(cè)試時(shí)用確定性動(dòng)作 else: dist torch.distributions.Normal(mean, std) action dist.sample().numpy().flatten() next_state, reward, terminated, truncated, info env.step(action) done terminated or truncated episode_reward reward state next_state steps 1 # 假設(shè)環(huán)境在info中提供success標(biāo)志 if done and info.get(success, False): success_count 1 total_rewards.append(episode_reward) avg_reward np.mean(total_rewards) success_rate success_count / num_episodes * 100 print(f評(píng)估結(jié)果 ({num_episodes}回合):) print(f 平均回報(bào): {avg_reward:.2f}) print(f 成功率: {success_rate:.1f}%) return avg_reward, success_rate print(評(píng)估教師策略...) teacher_avg_reward, teacher_success evaluate_policy(env, teacher_model, num_episodes20) print(\n評(píng)估學(xué)生策略...) student_avg_reward, student_success evaluate_policy(env, student_model, num_episodes20)7.2 常見(jiàn)問(wèn)題與排查技巧在實(shí)際操作中你可能會(huì)遇到以下典型問(wèn)題問(wèn)題現(xiàn)象可能原因排查與解決思路學(xué)生策略性能毫無(wú)提升甚至下降1. 優(yōu)勢(shì)估計(jì)不準(zhǔn)FQE訓(xùn)練失敗。2. 數(shù)據(jù)過(guò)濾太激進(jìn)正樣本太少。3. KL約束太強(qiáng)學(xué)生無(wú)法偏離教師。1.檢查FQE繪制Q值預(yù)測(cè)與真實(shí)回報(bào)蒙特卡洛的散點(diǎn)圖看相關(guān)性。確保FQE訓(xùn)練充分損失收斂。2.調(diào)整過(guò)濾閾值嘗試保留優(yōu)勢(shì)值前70%的數(shù)據(jù)而不是僅大于0的數(shù)據(jù)?;蛘呤褂眉訖?quán)采樣。3.調(diào)整KL系數(shù)逐步減小kl_coef如從0.1到0.01給學(xué)生更多探索空間。訓(xùn)練不穩(wěn)定損失劇烈波動(dòng)1. 優(yōu)勢(shì)值方差過(guò)大。2. 梯度爆炸。3. 批量大小不合適。1.優(yōu)勢(shì)歸一化強(qiáng)制對(duì)每批數(shù)據(jù)的優(yōu)勢(shì)進(jìn)行歸一化。2.梯度裁剪已在上文代碼中加入檢查裁剪閾值max_norm。3.增大批量嘗試增大batch_size如256。學(xué)生策略很快收斂到單一模式失去多樣性1. 過(guò)濾后數(shù)據(jù)多樣性不足。2. 策略網(wǎng)絡(luò)表達(dá)能力不夠或探索不足。1.數(shù)據(jù)增強(qiáng)對(duì)過(guò)濾后的狀態(tài)進(jìn)行輕微擾動(dòng)如添加噪聲增加泛化性。2.探索鼓勵(lì)在損失函數(shù)中加入策略熵的獎(jiǎng)勵(lì)項(xiàng)-β * H(π_θ)鼓勵(lì)探索。離線評(píng)估的Q值普遍過(guò)于樂(lè)觀或悲觀1. 分布偏移問(wèn)題。FQE在教師數(shù)據(jù)分布上訓(xùn)練但學(xué)生策略可能訪問(wèn)到不同的狀態(tài)。1.保守Q學(xué)習(xí)在FQE目標(biāo)中引入懲罰項(xiàng)對(duì)OOD分布外動(dòng)作給予較低Q值。2.迭代更新采用迭代式OPD用學(xué)生策略收集新數(shù)據(jù)混合訓(xùn)練讓Q網(wǎng)絡(luò)適應(yīng)新分布。計(jì)算資源消耗大訓(xùn)練慢1. FQE需要訓(xùn)練額外的Q網(wǎng)絡(luò)。2. 計(jì)算優(yōu)勢(shì)時(shí)需多次采樣。1.簡(jiǎn)化網(wǎng)絡(luò)使用更小的Q網(wǎng)絡(luò)。2.減少采樣數(shù)計(jì)算V(s)時(shí)采樣數(shù)num_samples可減至5。3.批次計(jì)算對(duì)整批狀態(tài)一次性采樣多個(gè)動(dòng)作利用GPU并行計(jì)算。一個(gè)關(guān)鍵的實(shí)操心得OPD的成功非常依賴于離線評(píng)估的質(zhì)量。在正式訓(xùn)練學(xué)生策略前務(wù)必花時(shí)間驗(yàn)證你的FQE Q網(wǎng)絡(luò)是可靠的。一個(gè)簡(jiǎn)單的檢查方法是從經(jīng)驗(yàn)緩沖區(qū)中隨機(jī)選取一些完整的軌跡用訓(xùn)練好的Q網(wǎng)絡(luò)估算軌跡起點(diǎn)狀態(tài)的Q值并與該軌跡的實(shí)際折扣回報(bào)Monte Carlo Return進(jìn)行比較。如果兩者趨勢(shì)一致不一定完全相等說(shuō)明Q網(wǎng)絡(luò)學(xué)習(xí)到了合理的價(jià)值函數(shù)。如果相差甚遠(yuǎn)你需要回頭檢查FQE的訓(xùn)練過(guò)程學(xué)習(xí)率、網(wǎng)絡(luò)結(jié)構(gòu)、目標(biāo)網(wǎng)絡(luò)更新頻率等。8. 進(jìn)階思考與擴(kuò)展方向當(dāng)你跑通了基礎(chǔ)的OPD流程后可以思考以下幾個(gè)方向來(lái)進(jìn)一步提升性能或適應(yīng)更復(fù)雜的場(chǎng)景混合策略教師教師不一定是一個(gè)單一策略。你可以收集來(lái)自多個(gè)不同策略甚至包括一些隨機(jī)策略的數(shù)據(jù)混合成一個(gè)大的經(jīng)驗(yàn)池。OPD的優(yōu)勢(shì)計(jì)算機(jī)制會(huì)自動(dòng)從中挑出“好”的行為學(xué)生可以博采眾長(zhǎng)。結(jié)合在線微調(diào)OPD可以作為一個(gè)強(qiáng)大的預(yù)訓(xùn)練或初始化方法。先用OPD從歷史數(shù)據(jù)中學(xué)到一個(gè)不錯(cuò)的策略然后再放到真實(shí)環(huán)境中進(jìn)行在線強(qiáng)化學(xué)習(xí)如PPO微調(diào)這樣可以大大減少在線交互的樣本消耗并提升訓(xùn)練安全性。處理高維視覺(jué)輸入如果狀態(tài)是圖像上述流程中的Q網(wǎng)絡(luò)和策略網(wǎng)絡(luò)都需要引入CNN編碼器。需要確保圖像編碼器在離線評(píng)估和策略訓(xùn)練中共享或分別訓(xùn)練得當(dāng)避免表征不一致。應(yīng)用于多任務(wù)學(xué)習(xí)OPD的思想可以擴(kuò)展到多任務(wù)。收集不同任務(wù)上的教師數(shù)據(jù)為每個(gè)任務(wù)分別計(jì)算優(yōu)勢(shì)。學(xué)生策略網(wǎng)絡(luò)可以共享主干但通過(guò)任務(wù)標(biāo)識(shí)來(lái)區(qū)分學(xué)習(xí)在不同任務(wù)下選擇高優(yōu)勢(shì)的動(dòng)作。讓AI從“后悔”中學(xué)習(xí)本質(zhì)上是將人類反思和歸納的能力賦予了算法。OPD教師模型訓(xùn)練提供了一條切實(shí)可行的路徑讓我們能夠利用那些不完美、但富含信息的數(shù)據(jù)培育出更“聰明”的智能體。這個(gè)過(guò)程里最耗時(shí)的往往不是寫代碼而是調(diào)參、診斷和迭代。耐心地分析優(yōu)勢(shì)值的分布、檢查Q網(wǎng)絡(luò)的預(yù)測(cè)質(zhì)量、觀察學(xué)生策略的行為變化這些細(xì)致的工作才是最終成功的關(guān)鍵。我自己的體會(huì)是當(dāng)看到學(xué)生策略第一次做出一個(gè)教師從未展示過(guò)的、更優(yōu)雅的解決方案時(shí)那種感覺(jué)就像看到學(xué)生真正理解了問(wèn)題的本質(zhì)而不是機(jī)械地模仿這大概就是強(qiáng)化學(xué)習(xí)讓人著迷的地方吧。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
激情五月天综合| 99热激情| 一区二区三区四区五区| 一起操 91N.com| 亚洲综合久| 人人干AV| 天天狠天天狠| 九九热黄色| 中文成人在线| 天天日天天舔| 丁香婷婷性爱| 日本色婷婷| 狠狠色丁香五月婷巨| 五月天婷婷色综合| 国产毛片精品一区二区色欲黄A片| 五月色综合网| 激情五月天伊人av| 五月婷婷丁香综合网| 91网站黄| 综合玖玖偷拍| 成片免费观看大全| aaaa久久| www.99精品日操伊人乱碰在线| 久久东京热婷婷五月| 五月婷在线视频免费播放| 97香蕉碰碰人妻国产欧美| 91人在线观看| 国产精产国品一二三在观看| 国产又爽又猛又粗的视频A片| 婷婷丁香五月婷婷| 成年人最刺激的综合网| 99视频这里有精品| 亚洲精品视频电影| 99.N在线视频| 婷婷午夜综合| 99久久久久| 婷婷五月激情中文字幕| 六九色综合婷婷五月天| 六月丁香五月天| 国产精品蜜臀99| 婷婷五月综合色中文字幕| 亚洲xx网| a九九热www| 婷婷激情久久| 99精品偷拍视频| 97日本操| 国产婷婷久久| 日本女人久久| 天天肏屄夜夜爽| 99啪啪视频| 精品成人在线观看| 大香蕉五月丁香| 98永久精品| 婷婷94s| 亚洲欧洲中文日韩久久AV乱码 | 久久五月网| 狠狠操狠狠插| 九九综合色| 欧美性爱五月天| 国内外色色色色色成人视频| 噜噜干日本| 美欧成人视频| 欧美精品18| 五月综合激情婷婷六月色窝| 天天视频精品9| 日韩在线视频9色| 色婷婷综合久久| 久久婷婷五月天丁香| 色婷婷成人做爰A片免费看网站| 色婷婷狠狠爱| 91免费在线视频6| 色色99色色| 天天日,天天射,天天舔| 激情五月图| 六月丁香停| 亚洲蜜乳AV| 国产4P视频精品五区| 天天透天天干| 亚洲性天天| 五月永久激情| 九月色婷婷综合| 99狠狠| 色五月AV| 国产激情综合五月久久| 大香蕉丁香| 99精品超在线播放| 久久婷五月综合色| 久草网大香视频| 永久热91| 色五月婷婷激情综合网| 六月丁香六月婷婷欧美| 五月丁香啪啪| enecarbon-materials.com污K127封锁请涟系@wip1688 | 9久精品视频| 激情丁香五月婷婷| 一起肏在线视频| 九九99在线免费在线观看视频| 亚洲色色爱| av五月天婷婷丁香| 五月天精品| 刘玥精品一区| 婷婷六月丁香久| 色99欧洲色19| 久久久婷婷婷| 五月丁香成人| 色视频五月天| 综合色激情| 天天插天天| 99亚洲视频| 午夜性做爰电影| 五月开心啪啪| 久久性爱视频久久性爱视频| 六月丁香久久| 五月婷婷亚洲| 看全色黄大色大片| 在线色婷婷| 99色视频| 色综合九九色综合88| 91狠狠色丁香婷婷综合久久精品| 久久视频婷婷| 色婷婷久综合久久一本国产AV| 亚洲激情在线| 伊人久久大香线蕉av最新| 狠狠久综合| 久久五月激情综合| 欧美色色日韩| 国产VA亚洲VA96| 久久久18| 色五月丁香总合网| 五月九九综合| 丁香色情五月天| 丁香久久| 91/九色黑人| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | AAAA亚洲| 婷婷五月成人| 人妻性爱av网站| 婷婷五月综合亚洲| 99久久人人| xx色综合| 天堂无码人妻精品AV一区| 中文字幕视频在线播放| 成人在线网| 日韩欧美性爱| 99性爱| 久久人妻情侣| 99re在线播放| 色情一区二区播放| 猫咪伊人AV| www.狠狠干| 六月婷婷色综合| 婷婷的99视频网站| 久久久久久人妻| a网站免费观看| 久久资源网五月婷| 26UUU成人网| 99久久9| 久热69| 五月天亭亭俺也| 亚州第一黄网| 国产成人亚洲综合A∨婷婷| 国产精品男人AV不卡| 五月丁六月香av| 裸体做A爰片毛片A片免费| 丁香色五月婷婷17C| 日本人妻A片成人免费看片| 五月综合激情| 99re在线播放| 久久久久久久久久人妻| 五月婷久久草| 婷色五月天| 成人欧美一区二区三区在线观看| 九热网站| 91人妻人人做人碰人人爽九色| 亚洲av日韩无码| 丁香五月六月婷婷综合| 日本在线免费中文com.| 一区二区乱视频码| 激情色播| 性生活久久人妻| 久草五月婷| 五月婷婷在线观看黄| www,com,五月色色| 91超级碰在线视频| 激情九色| 综合激情五月四射婷婷| 丁香五月av| 亚洲综合草草| 国产做A爰片毛片A片美国| 丁香色啪综合| 久婷久婷激情肉| 婷香五月| 色综合色综合色综合| 婷婷色五月天色| 久久五月激情综合| 欧美噜一噜| #NAME?| 激情噜噜噜| 99re热精品在线视频| 超碰在线人妻| 99.N在线视频| 婷婷综合五月色播| 99精品在线观看| 亚洲V国产V欧美V久久久久久| 日日舔夜夜操| 可以免费看av网站| 日本久久人人| yw.av| 一本久道综合色婷婷五月| 99热在线99| 日韩久久日| 99色中文| 久久人妻乱| 91久久久久久久久18| http:色情日本com| 99久久6| 夜夜夜叫天天天做| 久久五月天激情美女| 婷婷精品在线| 玖玖爱伊人| 婷婷五月天天| 天天爽天天爽| 亚洲人妻Av| 亚洲综合丁香五月| 开心五月婷婷五月| www九九| 亚洲视频另类| AⅤ网站在线看| 丁香五月综合| 五月天婷综合| 综合五月婷婷| 五月花丁香婷婷| 噜噜噜噜噜久| 九九热a| 操逼巨乳91| 婷婷六月激情综合| 在线成人va| 婷婷五月激情综合| 一区二区成人电影| 婷婷五月丁香六月| 婷婷97碰碰| www夜夜操com| 五月婷婷五月丁香| 天天插AV丝袜中| 五月天婷婷在线啪啪视频| 91久久综合| www.1024久久| 操婷婷久久| 亚洲九N| 婷婷五月六月丁香| 久久婷婷五月综合| 乱精品一区字幕二区| 九九RE视频在线精品| 五月天婷婷影院| 狠狠色综合精品视频在线| 好好干av| 丁香六月婷婷姐网| 色婷婷成人五月| 五月婷婷手机在线| 久久机热/这里只有精品| 丁香五月亚洲婷婷| 丁香五月婷婷视频| 五月丁香好婷婷A片网| 几激情五月婷婷色五月色天堂| 国产精品久久久久久五月天加勒比| WwW天天干| 五月激情网五月综合网| 天天成人丁香美女AV| 亚洲日韩26uuu| 婷婷伊人激情婷婷| 五月丁香亚洲婷婷| 亚洲精品视频电影| 激情丁香五月| 蒲京久久无码视频| 激情綜合網址| 安息电影在线观看完整版| 激情婷婷内射| 五月婷婷啪| 天天爽天天摸| 翔田千里 50岁 无码| 五月精品| 五月天婷婷丁香| 国产无套精品一区二区| 一点色成人网| 婷婷性爱视频在线| 五月综合激情久久| 婷婷五月伦理网站| 色色吧综合| 婷婷五月天在线观看| 日本不卡高字幕在线2019| 九九精品免费视频99| 91高潮喷水久久久久久久久| 亚州色婷婷| 99热这里只有精品手机在线观看| 97丁香五月| 国产免费一区二区三区三州老师F1F1.CC| 97精品欧美91久久久久久久| 激情五月丁香五月色| 超热久碰.com| 狠狠擼综合| 五月丁香花婷婷玉莉AV| 99热这里只有精品99| 婷婷色影音天| 色综合99| 五月天婷婷久久| 99热九九热| 99婷婷精品推荐在线视频| www.久9| 激情网站五月| 激情五月丁香亭亭| 国外亚洲成AV人片在线观看| 丁香五月情| 久久er+| 九九九九这里只有精品| 国产这里只有精品| 大香av| www.爱操com.| 久久这里有精品| 色五月在线综合| 亚洲小视频免费播放| 青青福利网| 久久五月网| 九九热123| PORNY九色9l自拍视频成人| 午夜爱爱爱成人| 亚洲乱码在线观看| 婷婷六月色丁香视频在线观看| 99这里只有精| 综合久久丁丁香婷| 婷婷六月丁香激情综合| 夜夜爽天天爽| 影音先锋色婷婷| 婷婷天天综合| 五月婷在线| jiujiujiuwuyuetian| 色区域网站视频| 亚洲激情五月天| 玖玖婷婷五月| 色五月偷偷| 丁香婷婷五月综合欧美另类| 另类国产综合| 另类少妇人与禽zOZZ0性伦| 亚洲操精品| 婷婷丁香人妻天天| 国产99久9在线+|+传媒| 久久这里只| 成人国产欧美大片一区| 五月丁香网站在线播放| 丁香九月激情| 青草视频在线观看视频| 啪啪一区| 亚洲六月婷婷| 九热久| 丁香五月天在线| 日本综合色图| 天天操夜夜夜拍拍拍| 婷婷五月开心中文字幕在线| 五月花婷婷最新| 激情av| 偷偷操99| 婷婷色五月开心五月| 五月丁香最新| 丁香婷婷九月| 色情丁香五月婷婷精品| 综合激情视频| 欧美在线骚货| 欧美精品XXXXBBBB| 米奇影视五月天| 免费看欧美成人A片无码| 超碰99在线| 超碰爱爱爱| 久久天天| 免费婷婷| 六月丁香啪啪啪| 日本色婷婷| 色婷婷操逼| 9l视频自拍9l九色9l成人| 高清无码网址| 人人插9| 色九九七七| 五月天激情视频网站| 色噜噜狠狠色综无码久久合欧美| 天天开心AV色综合婷婷五月天| 超碰在线国产| 丁香六月av| 六月婷婷色综合| 丁香五月婷婷动漫| 丝袜熟女一区二区三区| 玖玖五月丁香| 思思热天天看| 91制片厂久久久国产电影| 欧美综合五月丁香六月婷| 五月Huangsewang| 色婷激情网| 九一牛视频探花| 99热这里只有免费精品| 成人丁香色| 91精品久久久久| 操碰97| 99只有精品| 丁香六月婷婷高清| 玖玖综合玖玖| 天天爱天天操| 天天色综合网吨吧| 婷婷射图五月天| 99视频精品在线| 五月丁香色婷婷综合| 91九色偷拍| 婷婷深爱五月天| 色九月婷婷综合| 中文字幕人成乱码在线观看| www.婷婷五月| 99在线爽| 婷婷五月天AV在| 五月天综合视频| 2020夜夜操天天爽| 亚洲成人五月| 伊人玖玖精品| 图片区 小说区 区 亚洲五月| 97韩国久久电影院| 日韩成人无码人妻| 久久五月天婷婷| 久久婷婷色五月| 欧美精品99| 久草热8精品视频在线观看| WWW免费视频碰碰碰碰| 狠狠香婷婷五月| 99久热视频在线| 色狠狠色| 五月婷婷色| 开心婷婷五月激情网小说 | 天天做夜夜爽| 几激情五月婷婷色五月色天堂| 996er热| 色婷婷成人色网| 色婷婷欧美| AV79| 丁香婷婷免费| www.激情五月天。com| 超碰操日| 99久久人妻精品无码二区| 欧美久久网| 人妻自慰高清合集| 激情黄色五月天| 97人人操人人爽| 国内久久亭亭| 91精品久| 丁香88AV五月婷婷| 亚洲精品字幕在线观看| 五月天激情网站| 久久天堂| 99色在线视频| 五月天婷婷无码视频| 丁香婷婷六月天| 91丨九色丨大屁股| 日韩狠狠色| 亚洲爱婷婷| 91狼友视频在线观看| 激情五月天网| 综合激情站| 996er热| 一级黄色尤物综合视频手机在线观看| 婷婷成人综合五月| 激情综合网,婷婷五月天| 性爱在线播放av| 99综合久久| 99日本视频| 九色亚洲| 99re视频在线| 亚洲午夜一区二区| 丁香五月网址| 在线不卡视频| 无码地址| 婷婷另类开心| 亚洲九九九九| 这里只有精彩亚洲视频推荐| 色播五月婷婷五月| 婷婷刺激综合| 激情五月天电影| 99综合在线| 色色色色区| jiujiuxiangjiaowang| 亚洲AV激情五月综合网| 99热一区| 色综合五月天| aaa久久久| 色色婷婷综合| 九九成人电影婷婷| www.99热精品| 粉嫩av懂色av蜜臀av熟妇| 综合性爱网| 99熟女啪啪视频| 91视频免费后入强操| 免费人人操| www.激情五月天.con| 激情五月婷| 色五月首页| 这里只有精品偷拍| 国产阿姨日皮艹逼内射视频| 天天色综合色| 激情五月色综合| 99亚洲无码| 丁香五月中文字幕色播| 日韩视频99| 性爱综合网| 久久婷婷五月综合网| 99热色综合| 97五月综合网| 66精品国产成人| 五月婷综合性中心| 丁香五月综合激情久久潮喷| 激情婷婷五月天伊人在线观看| 国产综合婷婷| 婷婷九月综合| 日本www五月婷婷| 米奇影视五月天| 俺去也综合| 亚洲九九视频| 亚洲免费99| 99热20| 亚洲精品又粗又大又爽A片 | 丁香六月天婷婷| 婷婷激情综合色五月久久图片| 久热成人| 伊人午夜综合色啪| 色色色色色色色色网站| 超极99精品| 99热老网站| 亚洲狠狠狠| 五月丁香 啪啪| 亚洲综合网在线| 玖玖婷婷色| 99色这里| 激情五月天综合网| www,色色色网站| 婷婷五月,偷窥偷拍网| 久久的爱大香蕉| 久久激情五月网| 亚洲色婷婷色| 久草五月天| 色久婷婷网| 婷婷五月丁香基| 99啪啪网| 亚洲日韩操B| 色婷婷www| 五月丁香婷婷潮喷中文字幕| 97人人操人人干| 大香蕉九九操| 天天日本夜夜谢| A片女女女女女女BBBB| www.91婷婷| 五月丁香婷色| 色色色色色色色色网站| 97婷婷狠狠久久综合9色| 五月丁香六月婷婷免费| 五月天桃色深爱网| 外国碰视频网站97| 九九热99热| 在线看片h站| 99免费热在线精品| 亚洲精品国产成人AV在线| 婷婷色情五月| 这里只有精品网| 亚洲色婷婷色| 婷婷丁香五月亚洲17cao| 五月丁香趴趴| 激情五月六月婷婷| 九一牛视频探花| 亚洲瑟瑟精品在线| 国外亚洲成AV人片在线观看| 入口五月婷婷六月香| 九九色人| 六月婷婷激情| 99ri国产| 色五月xxx| 狠狠干无码| 婷婷综合精品| 五月花免费视频| 中美月韩免费A片| 色五月五月婷婷| 18久久| 日本五月天婷婷丁香| 高清av在线国产| 丁香五月婷婷激情123| 97很鲁在线视频| 99热这里只有精品23| 国色天香成人网| 五月天婷婷自拍图片在线观看| 亚洲精品亚洲人成人网| 精品久久人妻热| 国产亚洲在线| 久久成人天| 丁J香六月首页| 五月草视频| 五月婷婷婷| 91色涩| 亚洲av成人在线| 婷婷六月综合激情| 日本特黄aaaaa| 人人人操 超碰| 五月开心深爱激情网| 日韩AV免费| 亚洲六月婷婷| 五月天丁香综合久久国产| 久久婷婷五月天| 色五月久久成人婷婷| 欧美午夜乱妇午夜福利| 六月丁香综合| 97人人操人人干| 操91| 天天影院色| 99精品久久久久久久婷婷| 国产精品久久久99视频| 色狠狠色噜噜AV天堂五区| 色综合综合网| 色久影院| 婷婷五月天av| 九九亚洲视频| 玖玖综合色| 97综合在线| 热99精品视频五月| 色插综合网| 激情婷婷丁香色五月| 色情五月天丁香社区| 亚洲俩性性爱图片久久第六页 | 精品丁香五月天在线播放| 激情婷婷丁香五月天| 91操人| 五月久视频| j久久性爱视频| 婷婷99狠| 亚洲1区| 五月丁香综合在线| 26uuu四色| 金品在线视频99| 99亚洲精品| 五月丁香激情综合| 亚洲九九在线| 色婷婷丁香网| 色五月首页| www,黄色在线,con| 成人五月天丁香婷| 丁香五月综合网亚洲综合欧美狠狠| 在线观看欧美| 又大又粗九一在线| 性爱综合网| 激情五月天色婷婷| www.久久爱| 五月婷中文娱乐综合| 丁香五月香蕉| 九九视频在线| 五月网在线| 五月丁香啪啪啪免费看| 色婷婷激情四射视频| 色综色网| 婷婷五月av| 91日日日| 五月欧美丁香在线观看| 色永久| 五月婷成人网| 日韩色色网| 日本WWW九九九| 91av无码| 97成人丁香| 大地9中文在线观看免费高清| 九九久久高清| 99婷婷精品推荐在线视频| 99热日本| 丁香五月影院| 婷婷97碰碰| 青草少妇激情| 婷婷五月综合激情免费视频| 五月天久久www| 久热这里只有精品3| 六月婷婷激情图片| 99九九综合久久九九| 久久五月天免费网站| 日噜噜色| 97色一二三| 五月丁香婷婷狠狠操| 五月婷婷久久网| 99热爆在线| 大色鬼综合| 久久久av久av久片一区二区| 中文字幕有多少字| 五月伊人91| 久久久宗合视频88| 依人大香蕉在钱1| 99爱在线| 日本全黄一级999| 操操操91| 7超碰自拍| 99视频久久| 婷婷五月花| 伊人丁香六月婷婷| 五月色导航| 日本激情五月天‘| 99这里只有精| 色五月色五天色情网| 午夜大香蕉| 久热免费| 成人在线二区| 青青操丝袜美腿| 五月丁香黄色| 婷婷色婷婷| 三级成人网站| 五月丁香六月婷婷综合| 色噜噜狠狠色综合成人网| 五月丁香啪啪啪综合网| 激情六月婷婷| 婷婷五月天丁香综合网| 婷综合六月| 久久综合中文字幕| 国产日韩欧美性生活| 99热99这里有免费的精品| 狠狠干2007| 色噜噜婷婷| 少妇搡BBBB搡BBB搡毛茸茸 | 婷婷第六色| 欧美天天综合网站上去吧| 婷婷色情小说| 欧洲色色| 北京熟妇搡BBBB搡BBBB| 91成人看| 五月天婷婷综合久久| 六月天无码网址| 九九色中文| 狠狠狠狠狠草| 夜夜干 夜夜操| caop在线视频| 91九色超碰| 99久久玖玖| 久久这里面只有精品视频| 五月婷婷丁香狠狠撸久久| 大香蕉伊人99| 九九精品丁香花| 九九黄色网| 丁香五月婷婷六月| 九九久久99| 五月婷婷www| 精品久久婷婷五月天| 综合色五月| 婷婷激情图片| 亚州综合色| 五月丁香六月婷婷不卡免费无码| 色六月婷婷| 91狼友视频在线观看| 婷婷五月综合婷婷| 久热免费视频| 色五月婷婷777| 久久综合爱| 日韩AV大全| 99热精品中文字幕| 婷婷五月综合免费在线| a69在线视频| 九月综合| 丁香五月天亚洲综合| 永久99免费视频网站| 丁香五月婷婷激情尤物| 91在线观看九区| 六月婷婷五月丁香首页| 91日日日| 五月丁香成年黄色| 婷婷五月六月激情| 久久99久久99精品,久国产,久久精品免费,99久在线,久久久久国产精品免费网站,9 | 天天综合亚洲综合网天天αⅴ| 婷婷射婷婷舔| 日本人人超碰| www.日本91| 婷婷五月综合丁香久久| 日日干综合| 色99在线| 色玖玖综合网| 久9视频免费播放| www.婷婷五月天,com| 激情影院免费视频婷婷五月天| 99日韩| 天天肏高清在线| 99热99热在线| 无码动漫AV| 五月婷婷天| 97色一二三| 婷婷五月天亚洲图片| 欧美日本韩国亚洲| 亚洲五月六丁香激情| 日日综合网| 五月婷久久| 综合久久综合| 久久99久久99精品免观看粉| 麻豆雪千夏| 久久精品A片777777| 亚洲综合干| 国产精品涩涩涩视频网站| 婷婷深爱色五月| 成人无码精品1区2区3区免费看| 久草 天堂| 91ncom.色| 久99久视频| 婷婷亚洲天堂| 五月天亚洲图片婷婷| 在线婷婷| WWW,激情五月天,COM| 天天干天天操天天爽| 色色99色色| 大战熟女丰满人妻AV| 激情五月天免费视频| 99爱在线| 日韩色色视频| 色娸娸综合网| 色综合久久天天综合网| 日本色频| 四川BBB搡BBB爽爽视频| 六月丁香婷婷在线波多 | 亚洲mm色| 欧美精品狠狠色丁香婷婷| 99九九精品| 超碰人人操| 综合色久| 天天干狠狠操| 中文成人在线| 五月丁香无码视频| 99热精品99| 这里只有精品视频在线| 亚洲婷婷成人五月天| 九九色区| 久久婷色| 婷婷五月丁香伊人网| 日本9区视频| 大香蕉婷婷丁香视频在线| 欧美色色色| 欧美性生交A片免费看| 久久欧洲综合网| 久久婷婷网站| 午夜天堂一区人妻| AVDV久久| 樱花99视频| a片在线免费观看一区| 丁香五月婷婷综合网| 丁香五月天婷婷91| 激情图片五月天| 色婷婷丁香AV综合| 国产激情在线| 亚洲V国产V欧美V久久久久久| 99re思思热久久| 男女99免费视频| 丁香五月婷婷激情97| 丁香五月先锋| 电影《战争与艾拉》免费观看| 无码字幕中文| 泰州成人视频| 可以看的AV网站| 婷婷丁香五月激情综合站_久久五月丁香激情综合_开心五月综合激情综合五月_婷 | 五月亭亭色| 天天日天天摸| 深爱激情综合网| 美女亚洲五月丁香| 欧洲区自拍| 亚洲熟妇AV乱码在线观看| 久久丝袜婷婷| 岛国AV网| 欧美丁香六月在线观看视频| 日本九九网| 国产视频色色色色色色色| 色婷婷88| 情婷婷五月天| 77799热| 丁香激情网| 九七色色六月丁香| 亚洲六月婷婷| 五月丁香色综合| 色欲资源网| 天天爱天天日| 日韩精品VIP| 中字幕视频在线永久在线观看免费 | 色色色99| 天天操婷婷| 五月天激情www| 久久99热只有精品| 五月婷婷丁香啪啪| www.爱婷婷.com| www.99在线| 六月丁香久久| 美国十月色婷婷在线观看| 6080av| 国产日批视频免费播放| 久久婷婷五月综合精品蜜芽| 婷婷六月丁综合| 九七色色六月丁香| 91精品久久久久久久久久| 99热综合| 色五月激情| 97在线刺激| 饮料下药迷倒漂亮女同事强干| 深爱五月天 开心网| 国产99美少妇| 激情五月丁香婷婷夜夜操| 七七九色| 9久久AV| 五月色激情综合网| 日韩中出视频| 99热在线极品极品| AⅤ网站在线看| 精品一二三区久久AAA片| 五月丁香婷婷六月| 91色综合| 色五月丁香婷婷久草| www.99成人视频| 色五月婷婷天天操夜夜操| 五月婷婷伊人网| 夜夜www| 就爱操www com| 色五月婷婷、老熟女| 五月丁香亭亭成人电影| 天天噜天天爱| 五月丁香激情综合六月涩涩爱| 再次出发二| 深爱五月月天| 激情婷婷内射| VA日本视频| 五月婷婷综合色拍| 夜夜操天天爽| 婷婷五月天伊人网| pacopacomama 070722_670 素人奥様初撮りドキュメント 103 大久保純子 | 91爱操| 中文无码婷婷| 亚洲色五月婷婷| 天天爽天天| AV在线大香蕉| 久久人妻精品| 六月成人网| 就爱日五月天| 亚洲乱码w在线观看| 婷婷六月激情| 欧美又粗又大一区二区在线观看| 婷婷激情综合无月| 另类图片婷婷五月天| 色色色色综合| 婷婷色在线观看| 五月丁香六月激情综合| 激情婷婷五月在线合集| 色五月婷婷影院| 激情六月下句是什么| 久久99色色| 天天天干夜夜夜操| 色婷婷久久| 青青草国产亚洲精品久久| 久久久91精品| 久久青青日本视频| 亚洲激情四射| 婷婷娱乐丁香综合网| 婷婷亚洲五月| 激情深爱五月天| 亚洲韩国日产综合AV| 一级精品999WWW| 日韩五月天婷婷| 婷婷五月激情天| 五月色色网| 精品人妻午夜一区二区三区四区 | 欧美日本99| 亚洲久热| 噜噜噜久久亚洲精品国产品91| 99久久99久久| 粉嫩AV久久一区二区三区| 精品导航在线x不卡| 五月丁香综合激情在线观看| 五月花综合视频| 婷婷成人视频| 久久五月婷综合网| 婷婷月五天在线在线看| 欧美成人五月天| 中文久久婷婷| 五月丁香亭亭电影久久| 99人人干人人操| yazhou seshipin| 色婷久| 久久婷婷五月综合色欧美| 九色自拍| 骚货艹网站视频| 天天狠天天叉| 激情综合99| 操一操| 天天插天天射| 9999热在线观看| 精品无码人妻一区| 日本精品99| 大香伊人婷婷影院| 婷婷伊人激情婷婷| 玖玖综合网| 亚洲色五月婷婷| 五月婷精品| 婷婷五月婷| 天天做天天爽| 丁香色成人| 丁香性爱在线视频| 久久五月丁香| 久超超碰| 五月色激情综合网| 婷婷五月天激情综合深爱| www99热| 91精品久久久久久久久| 开心五月综合| 午夜成人片400| 婷婷精品| 欧美色99| 久操97| 人人爱人人草| 婷婷综合在线网| 337p午夜影院| 五月综合久久| 亚洲小视频免费观看| 色婷婷六月天| 婷婷99视频精品| 久久人妻精品| 丁香五月网| 丁香5月婷婷| 9热网站| 丁香婷婷六月天| 99热超碰| 亚洲久热| 丁香六月天婷婷色| 久久精品99国产精品日本| 婷五月天在线草| 亚州操操| 亚洲综合视频在线| 99re视频在线播放| 91狠狠色色丁香婷婷综合久久| 五月久视频| 丁香五月瑟瑟| 婷婷精品性性性性性性性| 久久99免费视频网站| 久久少妇视频| 五月亭久久无码视频| 丁香五月天视频| 久久精品日| 91色婷婷综合久久中文字幕二区| 久久精品99国产精品日本| 久久视屏这里只有久久| 玖玖午夜视频| 五月丁香婷婷在线| 91一起操| 激情五月婷婷免费视频| 伊人色综合网| 久久婷婷一级片| 亚洲成人电影在线免费观看| 日本色色视频| 91大屁股精品| 99精品久久久久久久婷婷| 97色色婷婷五月天| 天天干天天爽| 99热这里只有精品96| 人妻视频一区而且二区| 婷婷五月天视频免费在线观看| 婷婷激情人妻| 五月天色色色| 丁香五月老师| 超碰免费电影| 99热国内精品| 五月天婷a在线| 五月停停大香蕉| 丁香五月婷婷偷拍| 91岛国片| 色色色免费视频| 九玖欧洲亚洲| 免费看成人747474九号视频在线观看| 97色色综合| 狠狠色激情综合| 99视频在线观看视频| 亚洲成人一区| 五月丁香激情在线| 台湾无码A片一区二区| 天天插天天干| 国产26uuu视频| 在线播放 精品| 天天婷婷色六月| 日本片日本片祼观看网站在线看中文版网页在线看 | 天天撸天天干天天插| 97黑人精品区| 99热精品在线在线| 婷婷综合精品视频97| 亚洲激情综合网| 亚洲成AV人片在线观看| 欧美激情五月天| 很很操96| 丁香六月婷婷综合欧美| 日本婷婷| 婷婷五月天色| ww亚洲ww在线观看| 色吊丝99| 99热这里只有精品99| 99性色| 久久婷婷五月天激情新地址| 欧美婷婷综合| 嫩草AV久久伊人妇女超级A| 婷婷五月天激情小说| 日韩婷婷五月天| 成人一级片| 亚洲xx在线| 六月综合婷婷开心伊人| 人妻啪啪啪| 婷婷五月天激情文学小说| 亚州色综合| 久久精品熟女亚洲AV麻豆| 99视频内射三四| 色五月综合在线| 婷婷五月天 偷拍| 丁香激情四射| 亚洲综合碰| AA片在线观看视频在线播放| 色五月色图| 婷婷五月噜噜| 六月五月久久丁香| 香蕉综合网| 中文字幕成| 午夜微拍福利| 少妇人妻偷人精品无码视频新浪| 久久久.COM| 开心色五月天久久久久久久| 丁香五月婷婷丫| 国产免费一区二区三区三州老师F1F1.CC| 中文字幕无码AV| 五月丁香色婷婷| 99久久综合网| 久9视频| 激情五月天色色| 大天天伊人| 春色激情第四色| 熟女色专区| 国産精品| 91无码高清| 婷婷狠狠爱| 色婷婷狠狠禁18久久| 五月开心网| 色噜噜狠狠一区二区三区| 99久久99久久| 婷婷五月天激情综合深爱| 九九热99re8热免费观看| 夜夜 操无码| 综合激情sV| 久久久人人操A V| 免费看欧美成人A片无码| YW无码| 玖玖国产视频一区| 色。 婷婷婷| 久久五月婷婷丁香| 90色免费视频| 色色色国产| va亚洲中文在线| 九九香蕉网| 99干在线| 夜夜人妻五月天| 天天色视频| 九九爱激情| 掩去也综合五月视频| 99热在这里只有精品| 被强行糟蹋的女人A片| 三级毛片7979| 婷婷五月天色综合| 久草五月天| 丁香五月婷婷偷拍| 日本熟女一区二区| 婷婷深爱五月天| 九九色色色| 色青五月天| 99成人在线观看| 色噜噜五月天| 丁香婷在线| 丰满少妇猛烈A片免费看观看| 久久性都花花世界成人免费视频 | 丁香五月在线观看综合| 久久久久久欧美精品se一二三四| 狠狠精品干练久久久无码中文字幕| 综合性爱网| 色播婷婷五月天| 天天干天天干天天干天天干天| 久久午夜丁香| 99热这里只有精品亚洲| 亚洲综合视频网| 大香久久综合网| 丁香五月婷婷狠狠色| 久久性爱视频| 性生生活大片又黄又| 在线观看日韩12345区| 激情五月图| 性热视频99精品| 操b视频在线观看一区二区| AV 3P| 婷婷爱五月| 丁香五月婷婷婷婷欧美综合| 人人看人人摸人人| 久久五月激情| 精品国产乱码久久久久夜深人妻| 五月激情丁香五月| 久久资源网五月婷| 偷偷操99| 超碰99资源站| 98国产精品综合一区二区三区| 色 免费网站视频| 99热精品在线| www.henhenl| 色婷婷AV在线| 99九九玖玖| 天天干天天干天天干| 亚洲AV第二区国产精品| 激情五婷网| 丁香五月婷婷久久久| 色播五月婷婷五月| 婷婷酒色网| 婷婷六月五月天综合| 色操综合| 色婷婷裸体色性在线| 国产性av| oVV4WIB3vFi8D| 久久性综合| 久久五月丁香激情综合| 被强行糟蹋的女人A片| 欧美噜一噜| 人人操超碰| 婷婷成人五月天成人文学小说| 99热黄| 六月婷婷色综合| 激情五月综合久久| 久久精品系列| 综合久久高清| 91婷婷在线| 99re6热在线精品视频播放速度| 婷婷激情四射| 97色色-99久久| 被男人添B超爽视频| 白天AV月月| 九月停停| 亚洲va国产va天堂va综合va| 色播五月天婷婷老师| 色99热| ww久久| 色婷婷狠狠| 五月天婷婷在线啪啪视频| 男同91| 丁香社区婷婷五月| www91精品| 久久性爱视频| 97干在线视频| 2018国产大陆天天弄| 先锋男人99资源| 狼人伊人天堂| 色色激情五月| 婷婷色狠狠| www.91婷婷| 99热思思久| 思思99热| WWW五月天| 五月丁了香蕉综合| 狠狠爱综合| 日韩按摩二区| 色香久久| 丁香六月啪啪| 久久五月网| 玖玖五月丁香| 99性爱| 婷婷伊人久久综合| 色欲婷婷五月天丁香| 色墦五月丁香| 九九精品在线观看视频6| 日韩99视频| 婷婷综合视频| 99热6精品| www.激情五月天.com|